AI-kurzus
Vektoradatbázisok: a beágyazásoktól az alkalmazásokig
Átfogó rövid kurzus a vektorbeágyazásokról, a hasonlósági keresési algoritmusokról és a produkciós RAG rendszerek építéséről vektoradatbázisokkal.
- Szolgáltató
- DeepLearning.AI
- Szint
- Középhaladó
A kurzusról
A Vektoradatbázisok: a beágyazásoktól az alkalmazásokig a DeepLearning.AI és a Pinecone fejlesztőközpontú rövid kurzusa. Megtanítja, hogyan tárolják és indexelik a vektoradatbázisok a sűrű vektorbeágyazásokat, hogyan működik a legközelebbi szomszédok keresése, és hogyan építhetők méretezhető RAG rendszerek, szemantikus keresők és ajánló algoritmusok.
Külső webhelyet nyit meg új lapon.
Tanulási eredmények
- A vektorbeágyazások, a dimenzionalitás és a távolsági metrikák megértése a szemantikai hasonlósághoz
- Hatékony vektorindexelés és metaadat-szűrés megvalósítása felügyelt vektoradatbázisokban
- Végpontok közötti Retrieval-Augmented Generation (RAG) alkalmazások építése Pythonban
Elsajátítható készségek
Vektoradatbázisok, Beágyazások, Szemantikus keresés, Retrieval-Augmented Generation
Tananyag
- Bevezetés a vektorbeágyazásokba és a hasonlósági keresésbe
A sűrű vektorok szemantikai jelentésének és a távolsági metrikák (koszinusz, skaláris szorzat) működésének bemutatása.
- Vektoradatbázis-architektúra és indexelés
A vektoradatbázisok indexfelépítése HNSW és approximate nearest neighbor (ANN) algoritmusokkal.
- RAG és szemantikus keresési alkalmazások építése
Gyakorlati dokumentum-darabolás, beágyazásgenerálás, vektortárolás és kontextuslekérés megvalósítása Pythonban.
Előfeltételek
- Alapvető Python programozási ismeretek és gépi tanulási alapfogalmak megértése.
Célközönség
Szoftvermérnökök, akik AI-alkalmazásokat építenek RAG architektúrával, Adattudósok, akiket érdekel a szemantikus keresés és a vektorindexelés, Fejlesztők, akik gyakorlati vektoradatbázis-megvalósításokat keresnek Pythonban
Ideális ehhez
- Fejlesztők, akik világos, gyakorlati alapokat keresnek a vektoradatbázisok és a szemantikus keresés területén a RAG megvalósításokhoz.
Előnyök
- Ingyenes hozzáférés gyakorlati Jupyter notebook kódolási környezetekkel
- A vektorbeágyazások matematikai hátterét a gyakorlati kóddal párhuzamosan fedi le
Hátrányok
- Erősen a Pinecone-ra összpontosít, és adaptációt igényelhet más vektortárakhoz
- A rövid kurzusformátum nem fedi le mélyen az elosztott infrastruktúra skálázását
Kurzusadatok
- Szolgáltató:
- DeepLearning.AI
- Szint:
- Középhaladó
Tanúsítvány és képzési forma
Tanúsítvány elérhető
Eszközök a kurzushoz
Pinecone
Egy menedzselt, felhőalapú vektoradatbázis nagy teljesítményű szemantikus kereséshez, vektorindexeléshez és skálázható RAG folyamatokhoz.
- Ez a kurzus közvetlenül hivatkozik az eszközre
- Az eszköz kategóriája megegyezik a kurzuséval
Blackbox AI
A Blackbox AI kódolási asszisztens kód írásához és magyarázatához, tárhelyanyagok kereséséhez és szerkesztőn belüli fejlesztési munkához.
- Az eszköz kategóriája megegyezik a kurzuséval
Codeium
A Codeium villámgyors AI-alapú automatikus kiegészítést és intelligens csevegőfelületet biztosít, hogy a fejlesztők hatékonyan írhassanak, hibakereshessenek és refaktorálhassanak kódot.
- Az eszköz kategóriája megegyezik a kurzuséval
Cursor
Egy VS Code-ra épülő AI-alapú kódszerkesztő, amelyet a fejlesztői termelékenység növelésére terveztek intelligens kódgenerálás és refaktorálás révén.
- Az eszköz kategóriája megegyezik a kurzuséval