Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

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

  1. 01 Mi az a beágyazás: az intuíció
  2. 02 Az Embeddings API: Modellek és dimenziók
  3. 03 Embeddingek generálása az adataidhoz
  4. 04 Távolság és koszinusz-hasonlóság
  5. 05 Embeddingek vizualizálása
  6. 06 Szemantikus keresés vs. kulcsszavas keresés
  7. 07 Egy dokumentumkorpusz indexelése
  8. 08 Vektoradatbázisok (Pinecone, Qdrant, Weaviate)
  9. 09 Hibrid keresés (szemantikus + lexikális)
  10. 10 A keresés minőségének értékelése
  11. 11 A teljes RAG-architektúra
  12. 12 Chunking: Dokumentumaid intelligens felosztása
  13. 13 Újrarendezés: A relevancia javítása
  14. 14 RAG haladó szinten: Multi-Query, HyDE, Step-Back
  15. 15 Egy RAG folyamat kiértékelése
  16. 16 Fájlkeresés vs. egyedi RAG: mikor melyiket használd?
  17. 17 Szövegosztályozás beágyazásokkal
  18. 18 Klaszterezés: Automatikus csoportosítás
  19. 19 Személyre szabott ajánlások
  20. 20 Rendellenességek és duplikációk észlelése
  21. 21 Beágyazások finomhangolása
  22. 22 Production : mise à l'échelle et mise en cache