Magyar kiadás
Beágyazások, RAG és szemantikus keresés
Ez a tanfolyam az OpenAI beágyazásokat, vektoradatbázisokat, szemantikus keresést, egy teljes RAG folyamatot és éles alkalmazásokat tárgyal.
22 lecke kb. 2 h 15 min Fejlesztő
Tanulási célok
- Beágyazások generálása és szövegek közötti szemantikus közelség mérése koszinuszhasonlóság segítségével
- Korpusz indexelése vektoradatbázisban, valamint hibrid szemantikus és lexikális keresés beállítása
- Teljes RAG folyamat felépítése: darabolás, lekérdezés, újra rangsorolás, majd generálás
- Egy RAG folyamat relevanciájának értékelése, valamint döntés a File Search és egy egyedi architektúra között
- Beágyazások használata osztályozásra, klaszterezésre, ajánlásra, valamint anomáliák és duplikációk észlelésére
Tanfolyam-adatlap
- Kinek szól
- Fejlesztők, mérnökök és integrátorok, akik a ChatGPT-t API-n keresztül szeretnék használni alkalmazásaikban.
- Előfeltételek
- Python és JSON olvasási készség, parancssori alapok. Egy OpenAI platform API-kulcs a példák kipróbálásához.
- Időtartam
- 2 h 15 min — 22 lecke
- Formátum
- 100%-ban online, saját tempóban végezhető tanfolyam, amely böngészőből 24/7-ben elérhető. A haladás mentésre kerül, és bármikor folytathatja. Becsült időtartam: 2 h 15 min.
- Értékelés
- Önértékelés az egyes leckéket lezáró fő tanulságok alapján, valamint a példák közvetlen gyakorlása saját adatokon. Egy záró, 5 kérdésből álló teszt válaszokkal az utolsó lecke végén igazolja a megszerzett tudást.
- Akadálymentesség
- Saját tempóban végezhető, fogyatékkal élők számára is hozzáférhető tanfolyam: a szöveges tartalom kompatibilis a képernyőolvasókkal, támogatja a billentyűzetes navigációt és megfelel a színkontraszt előírásoknak. Bármilyen igazítási igény esetén írjon a [email protected] címre.
- Ár
- Ingyenes
A tanfolyam tartalma
- 01 Mi az a beágyazás: az intuíció
- 02 Az Embeddings API: Modellek és dimenziók
- 03 Embeddingek generálása az adataidhoz
- 04 Távolság és koszinusz-hasonlóság
- 05 Embeddingek vizualizálása
- 06 Szemantikus keresés vs. kulcsszavas keresés
- 07 Egy dokumentumkorpusz indexelése
- 08 Vektoradatbázisok (Pinecone, Qdrant, Weaviate)
- 09 Hibrid keresés (szemantikus + lexikális)
- 10 A keresés minőségének értékelése
- 11 A teljes RAG-architektúra
- 12 Chunking: Dokumentumaid intelligens felosztása
- 13 Újrarendezés: A relevancia javítása
- 14 RAG haladó szinten: Multi-Query, HyDE, Step-Back
- 15 Egy RAG folyamat kiértékelése
- 16 Fájlkeresés vs. egyedi RAG: mikor melyiket használd?
- 17 Szövegosztályozás beágyazásokkal
- 18 Klaszterezés: Automatikus csoportosítás
- 19 Személyre szabott ajánlások
- 20 Rendellenességek és duplikációk észlelése
- 21 Beágyazások finomhangolása
- 22 Production : mise à l'échelle et mise en cache