نمایش داده شد جستجوی معنایی نتایج آگاه تر

عکس پروفایل Laura Ham Hacker Noon

@لوراملورا هام

مهندس راه حل جامعه | توسعه دهنده DX | enthousiast فناوری خلاق | ذهن کنجکاو | پرماجرا

امروزه ، جستجوی معنایی بسیار محبوب شده است. اگر با علم داده و NLP آشنا باشید ، ممکن است در مورد چگونگی استفاده از جستجوی معنایی از طریق مجموعه ای از داده های متنی مطالعه کرده باشید. معمولاً علاوه بر ساختن یک مدل و برنامه ، باید مکانیزم ذخیره سازی و بازیابی کارآمد را نیز پیدا کنید یا بسازید. هنگام ایجاد یک وب سایت تجارت الکترونیکی ، شما قرار نیست پایگاه داده خود را ایجاد کنید ، بلکه به سادگی از چیزی مانند PostgreSQL یا MongoDB استفاده کنید. پس چرا باید در ذخیره سازی داده ها در تمرین یادگیری ماشین زحمت بکشیم؟

داده های یادگیری ماشین نیاز به ذخیره سازی کارآمد و مقیاس پذیر دارند. پایگاه داده های برداری یک راه حل عالی برای ذخیره داده های بزرگ با زمینه است. در حالی که پایگاه داده های شناخته شده کاربر پسند و کارآمد و موتورهای جستجو مانند Solr ، MongoDB یا MySQL برای سنتی ذخیره و بازیابی اطلاعات ، بردار پایگاه های داده مانند Weaviate ذخیره سازی داده های بزرگ را همراه با زمینه یادگیری ماشین امکان پذیر می کند. موتور جستجوی بردار منبع باز Weaviate یک راه حل پایان به پایان با کاربرد آسان است و قابلیت های یادگیری ماشین را از جعبه خارج می کند.

در این مقاله خواهید آموخت که موتور جستجوگر چیست و چگونه می توانید در عرض 5 دقیقه با داده های خود از Weaviate استفاده کنید.

چیست …

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>