AI & ML Search with OpenSearch is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of opensearch. Whether you are just starting out or looking to level up, this course gives you the structured path and practical projects you need to succeed.
Throughout the lessons you will build genuine confidence with opensearch and data-path-to-node, learning through clear explanations and step-by-step examples you can apply immediately. Below you will find everything the course covers, who it is for, and a full breakdown of the curriculum before you download.
Course Description
دوره AI & ML Search with OpenSearch (elasticsearch + AI/ML). این دوره جامع، چگونگی اجرای روشهای پیشرفته جستجو شامل معنایی، هیبریدی، عصبی و چندوجهی را با بهرهگیری از پلتفرم متنباز OpenSearch آموزش میدهد. OpenSearch که انشعابی از Elasticsearch است، ضمن حفظ کامل قابلیتهای جستجوی واژگانی مبتنی بر الگوریتم BM25، امکان یکپارچهسازی با مدلهای زبان بزرگ، ارائهدهندگانی مانند OpenAI و پیادهسازی گردشهای کاری عاملمحور را فراهم میکند. محتوای آموزشی بر موارد کاربردی AI/ML مانند تولید مبتنی بر بازیابی افزوده و مهاجرت از Elasticsearch متمرکز است، همچنین مفاهیم سنتی برای درک بستر تاریخی پوشش داده میشوند. دوره بر نسخه تولیدی OpenSearch 2.17 متکی است و برای اطمینان از تکرارپذیری، بهطور گسترده از Docker استفاده میکند. پلتفرم OpenSearch با پشتیبانی شرکتهایی مانند Oracle و سرویس ابری AWS، جایگاه مستحکمی در محیطهای سازمانی یافته و اجزای اصلی آن شامل OpenSearch جایگزین Elasticsearch، Data Prepper معادل Logstash و OpenSearch Dashboards مشابه Kibana است.
What You Will Learn
- درک و پیادهسازی جستجوی سنتی، جستجوی عصبی و جستجوی هیبریدی با استفاده از OpenSearch آمازون، پلتفرم متنباز دارای مجوز آپاچی.
- پیادهسازی جستجوی معنایی و تولید مبتنی بر بازیابی افزوده (RAG) با استفاده از مدلهای میزبانیشده محلی یا ارائهدهندگان LLM خارجی مانند OpenAI.
- پیادهسازی پروژههای بلادرنگ به طور کامل بر روی یک دستگاه محلی یا یک ماشین مجازی ابری (Cloud VM) با استفاده از VS Code، اسکریپتهای Shell، پایتون (Python) و قالبهای YAMl.
- پیادهسازی گزارشدهی، هشداردهی، داشبوردها، الگوهای ثبت وقایع قابلیت مشاهده (Observability Log Patterns) در حالی که نقاط ادغام با فضای ابری درک میشوند.
- تکمیل مطالعات موردی متعدد، از جمله مهاجرت دادههای تولیدی از elasticsearch به opensearch.
- درک و پیادهسازی گردشهای کاری مبتنی بر عامل شامل معماریهای RAG بر روی LLMهای محلی و خارجی.
Who This Course Is For
- دانشجویان دوره کارشناسی بدون تجربه پروژه دنیای واقعی.
- متخصصان باتجربه دنیای واقعی از حوزههای غیر جستجو (یا حتی جستجو).
- توسعهدهنده نرمافزار (Software Developer).
- مهندس دواپس (DevOps Engineer) / مدیر SysOps (SysOps Admin) / مهندس قابلیت اطمینان سایت (Site Reliability Engineer).
- دانشمند / تحلیلگر / مهندس داده (Data Scientist / Analyst / Engineer).
- مهندسانی که قصد تغییر مسیر شغلی جانبی (به سمت جستجو و AI/ML) دارند.
- مهندسان چندزبانه (Polyglot Engineers) مشتاق به صرفهجویی در هزینهها و بهبود عملکرد پلتفرمهای جستجوی موجود.
Course Features & Specifications
- ناشر: Udemy
- مدرس: Pradeep Macharla
- سطح آموزش: مبتدی تا پیشرفته
- مدت زمان آموزش: 16 ساعت و 35 دقیقه
- تعداد دروس: 74
Prerequisites
- Basics of running docker container, python programming basics, and eagerness to understand and unpack how search works
- Local laptop with at least 4GB RAM (8GB preferable) and 2 CPU cores (4 preferable). Be ready to spend about $5 or lesser using a public LLM service e.g. Open AI
Preview
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: ندارد
کیفیت: 720p
Installation Guide
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: ندارد
کیفیت: 720p
