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