Έκδοση στα ελληνικά
Embeddings, RAG και σημασιολογική αναζήτηση
Χτίστε συστήματα σημασιολογικής αναζήτησης: embeddings κειμένου και κώδικα, RAG από το μηδέν με FAISS και προχωρημένες τεχνικές (Corrective, Self-RAG, Adaptive).
18 μαθήματα περίπου 2 ώρες Για developers
Τι θα μάθετε
- Δημιουργήστε embeddings με το mistral-embed και μετρήστε τη σημασιολογική ομοιότητα δύο κειμένων
- Σπάστε σε κομμάτια και ομαδοποιήστε σε batches έναν ογκώδη κορπό, μένοντας εντός των ορίων του API
- Δείκτοθετήστε κώδικα με το codestral-embed για σημασιολογική αναζήτηση μέσα σε ένα repository
- Χτίστε ένα πλήρες pipeline RAG: προετοιμασία, vectorization, αποθήκευση FAISS, ανάκτηση και παραγωγή
- Συγκρίνετε Corrective RAG, Self-RAG και Adaptive RAG για πιο σχετικές απαντήσεις
Στοιχεία προγράμματος
- Σε ποιους απευθύνεται
- Προγραμματιστές, μηχανικοί και integrators που θέλουν να αξιοποιήσουν τη Mistral AI μέσω API στις εφαρμογές τους.
- Προαπαιτούμενα
- Ανάγνωση Python και JSON, βασικά της γραμμής εντολών. Ένα κλειδί API του Mistral AI Studio για να δοκιμάσετε τα παραδείγματα.
- Διάρκεια
- 2 ώρες — 18 μαθήματα
- Μορφές παράδοσης
- Εξ ολοκλήρου online αυτόνομη κατάρτιση, διαθέσιμη 24/7 από φυλλομετρητή. Η πρόοδος αποθηκεύεται και συνεχίζετε όποτε θέλετε. Εκτιμώμενη διάρκεια: 2 ώρες
- Αξιολόγηση
- Αυτοαξιολόγηση με βάση τα Βασικά σημεία που κλείνουν κάθε μάθημα, και άμεση εξάσκηση των παραδειγμάτων σε δικές σας περιπτώσεις. Ένα τελικό κουίζ με 5 διορθωμένες ερωτήσεις, στο τέλος του τελευταίου μαθήματος, επιβεβαιώνει τις γνώσεις σας.
- Προσβασιμότητα
- Κατάρτιση σε δικό σας ρυθμό, προσβάσιμη σε άτομα με αναπηρία: περιεχόμενο συμβατό με αναγνώστες οθόνης, πλοήγηση με πληκτρολόγιο και χρωματική αντίθεση σύμφωνη με τις προδιαγραφές. Για οποιαδήποτε ανάγκη προσαρμογής, γράψτε στο [email protected].
- Τιμή
- Δωρεάν
Περιεχόμενο προγράμματος
- 01 Εισαγωγή στα Embeddings
- 02 Το μοντέλο mistral-embed
- 03 Ομοιότητα Σημασιολογίας
- 04 Ομαδοποίηση και Τμηματοποίηση
- 05 Το μοντέλο codestral-embed
- 06 Αναζήτηση Κώδικα με Βάση τη Σημασιολογία
- 07 Τύποι Δεδομένων και Διαστάσεις
- 08 Περίπτωση χρήσης: Ενσωματώσεις Κώδικα
- 09 Εισαγωγή στο RAG
- 10 Προετοιμασία των Δεδομένων
- 11 Δημιουργία Ενσωματώσεων (Embeddings)
- 12 Vector Store με FAISS
- 13 Ανάκτηση και Δημιουργία
- 14 Πλήρης Αγωγός RAG
- 15 Corrective RAG
- 16 Self-RAG
- 17 Adaptive RAG
- 18 Πλαίσια RAG: LangChain, LlamaIndex, Haystack