Премини към основното съдържание
Български— Изберете език
Меню

Българско издание

Вграждания, RAG и семантично търсене

Този курс обхваща вгражданията на OpenAI, векторни бази данни, семантично търсене, пълен RAG конвейер и производствени приложения.

22 урока ок. 2 ч 15 мин Програмист

Какво ще научите

  • Генериране на вграждания и измерване на семантична близост между текстове чрез косинусова подобност
  • Индексиране на корпус във векторна база данни и настройка на хибридно семантично и лексикално търсене
  • Изграждане на пълен RAG конвейер: разделяне на части, извличане, повторно класиране и след това генериране
  • Оценка на релевантността на RAG конвейер и избор между File Search и персонализирана архитектура
  • Използване на вграждания за класифициране, групиране, препоръчване и откриване на аномалии и дубликати

Информация за курса

За кого е
Разработчици, инженери и интегратори, които искат да използват ChatGPT чрез API в своите приложения.
Предварителни изисквания
Умение за четене на Python и JSON, основи на командния ред. API ключ за платформата на OpenAI за тестване на примерите.
Продължителност
2 ч 15 мин — 22 урока
Формати
100% онлайн курс в собствен темп, достъпен 24/7 от браузър. Прогресът се запазва и можете да продължите по всяко време. Приблизителна продължителност: 2 ч 15 мин.
Оценяване
Самооценка въз основа на основните изводи, които завършват всеки урок, и директна практика на примерите върху ваши собствени случаи. Финален тест с 5 въпроса с отговори в края на последния урок утвърждава наученото.
Достъпност
Курс в собствен темп, достъпен за хора с увреждания: текстово съдържание, съвместимо с екранни четци, навигация с клавиатура и съответстващ цветови контраст. За всякакви нужди от адаптация, пишете на [email protected].
Цена
Безплатно

Уроци

  1. 01 Какво е вграждане (Embedding): Интуицията
  2. 02 API за вграждания: модели и измерения
  3. 03 Генериране на вграждания за вашите данни
  4. 04 Разстояние и косинусова подобност
  5. 05 Визуализиране на вграждания
  6. 06 Семантично търсене срещу търсене по ключови думи
  7. 07 Индексиране на корпус от документи
  8. 08 Векторни бази данни (Pinecone, Qdrant, Weaviate)
  9. 09 Хибридно търсене (семантично + лексикално)
  10. 10 Оценяване на качеството на търсенето
  11. 11 Пълна архитектура на RAG
  12. 12 Разделяне на части: Интелигентно разбиване на документите
  13. 13 Преподреждане: Подобряване на релевантността
  14. 14 RAG усъвършенстван: Multi-Query, HyDE, Step-Back
  15. 15 Оценяване на RAG конвейер
  16. 16 Търсене на файлове срещу персонализиран RAG: Кога да използвате кое
  17. 17 Класификация на текст с вграждания
  18. 18 Клъстериране: Автоматично групиране
  19. 19 Персонализирани препоръки
  20. 20 Откриване на аномалии и дубликати
  21. 21 Файн-тюнинг на ембъдинги
  22. 22 Продукция: Мащабиране и кеширане