Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Česká edice

Embeddingy, RAG a sémantické vyhledávání

Tento kurz pokrývá embeddingy od OpenAI, vektorové databáze, sémantické vyhledávání, kompletní pipeline RAG a produkční aplikace.

22 lekcí cca 2 h 15 min Vývojář

Co se naučíte

  • Generovat embeddingy a měřit sémantickou blízkost mezi texty pomocí kosinové podobnosti
  • Indexovat korpus ve vektorové databázi a nastavit hybridní sémantické a lexikální vyhledávání
  • Vytvořit kompletní pipeline RAG: chunking, retrieval, reranking a následně generování
  • Vyhodnotit relevanci pipeline RAG a vybrat mezi File Search a vlastní architekturou
  • Používat embeddingy ke klasifikaci, shlukování, doporučování a detekci anomálií a duplicit

Informace o kurzu

Komu je kurz určen
Vývojáři, inženýři a integrátoři, kteří chtějí používat ChatGPT přes API ve svých aplikacích.
Předpoklady
Schopnost číst Python a JSON, základy příkazového řádku. Klíč API platformy OpenAI pro vyzkoušení příkladů.
Doba trvání
2 h 15 min — 22 lekcí
Forma výuky
100% online kurz vlastním tempem, dostupný 24/7 z prohlížeče. Postup se ukládá a můžeš kdykoli pokračovat. Odhadovaná délka: 2 h 15 min.
Hodnocení
Sebehodnocení na základě klíčových poznatků, které uzavírají každou lekci, a přímé procvičování příkladů na vlastních datech. Závěrečný kvíz s 5 otázkami a odpověďmi na konci poslední lekce ověří, co ses naučil.
Přístupnost
Kurz vlastním tempem přístupný lidem se zdravotním postižením: textový obsah kompatibilní se čtečkami obrazovky, navigace pomocí klávesnice a vyhovující barevný kontrast. Pro jakékoli potřeby úprav napiš na [email protected].
Cena
Zdarma

Obsah kurzu

  1. 01 Co je to vnoření: Intuice
  2. 02 API pro vnoření: Modely a dimenze
  3. 03 Generování vnoření pro vaše data
  4. 04 Vzdálenost a kosinová podobnost
  5. 05 Vizualizace vnoření
  6. 06 Vyhledávání podle významu vs. vyhledávání podle klíčových slov
  7. 07 Indexace korpusu dokumentů
  8. 08 Vektorové databáze (Pinecone, Qdrant, Weaviate)
  9. 09 Hybridní vyhledávání (sémantické + lexikální)
  10. 10 Vyhodnocení kvality vyhledávání
  11. 11 Kompletní architektura RAG
  12. 12 Chunking: Inteligentní rozdělování dokumentů
  13. 13 Přehodnocení pořadí: Zlepšení relevance
  14. 14 Pokročilé RAG: Multi-Query, HyDE, Step-Back
  15. 15 Vyhodnocení RAG pipeline
  16. 16 File Search vs. vlastní RAG: Kdy použít co
  17. 17 Klasifikace textu pomocí vnoření
  18. 18 Shlukování: Automatické seskupování
  19. 19 Doporučení na míru
  20. 20 Detekce anomálií a duplicit
  21. 21 Jemné ladění vnoření (embeddings)
  22. 22 Produkce: Škálování a mezipaměť