Latvijas izdevums
Iegulšanas, RAG un semantiskā meklēšana
Šis kurss aptver OpenAI iegulšanas, vektoru datubāzes, semantisko meklēšanu, pilnu RAG cauruļvadu un lietojumprogrammas ražošanas vidē.
22 nodarbības ca. 2 h 15 min Programmētājs
Ko jūs apgūsiet
- Ģenerēt iegulšanas un mērīt semantisko tuvumu starp tekstiem, izmantojot kosinusa līdzību
- Indeksēt korpusu vektoru datubāzē un iestatīt hibrīdu semantisko un leksikālo meklēšanu
- Izveidot pilnu RAG cauruļvadu: sadalīšana fragmentos, izgūšana, pārkārtošana un pēc tam ģenerēšana
- Novērtēt RAG cauruļvada atbilstību un izvēlēties starp File Search un pielāgotu arhitektūru
- Izmantot iegulšanas klasificēšanai, klasterizēšanai, ieteikumu sniegšanai, kā arī anomāliju un dublikātu noteikšanai
Kursa kartīte
- Kam paredzēts
- Izstrādātāji, inženieri un integratori, kas vēlas izmantot ChatGPT, izmantojot API, savās lietojumprogrammās.
- Priekšnosacījumi
- Spēja lasīt Python un JSON, komandrindas pamati. OpenAI platformas API atslēga piemēru izmēģināšanai.
- Ilgums
- 2 h 15 min — 22 nodarbības
- Formāti
- 100% tiešsaistes pašmācības kurss, pieejams 24/7 no pārlūkprogrammas. Progress tiek saglabāts, un tu vari turpināt jebkurā laikā. Paredzamais ilgums: 2 h 15 min.
- Novērtējums
- Pašnovērtējums, balstīts uz galvenajiem secinājumiem, kas noslēdz katru nodarbību, un piemēru tieša praktizēšana ar taviem pašu piemēriem. Noslēguma 5 jautājumu tests ar atbildēm pēdējās nodarbības beigās apstiprina apgūto.
- Pieejamība
- Pašmācības kurss, kas pieejams cilvēkiem ar invaliditāti: teksta saturs saderīgs ar ekrāna lasītājiem, navigācija ar tastatūru un atbilstoša krāsu kontrasta attiecība. Jebkuru pielāgošanas vajadzību gadījumā raksti uz [email protected].
- Cena
- Gratis
Kursa saturs
- 01 Kas ir iegulums: intuīcija
- 02 API Embeddings: modeļi un dimensijas
- 03 Générez des embeddings pour vos données
- 04 Attālums un kosinusa līdzība
- 05 Vizualizē iegultnes
- 06 Meklēšana pēc nozīmes pret atslēgvārdu meklēšanu
- 07 Indexer un corpus de documents
- 08 Datubāzes vektoriem (Pinecone, Qdrant, Weaviate)
- 09 Meklēšana hibrīdrežīmā (semantiskā + leksikālā)
- 10 Novērtēt meklēšanas kvalitāti
- 11 Pilnīga RAG arhitektūra
- 12 Sadalīšana fragmentos: jūsu dokumentu inteliģenta sadalīšana
- 13 Pārkārtotā rangā: atbilstības uzlabošana
- 14 RAG avancé : Multi-Query, HyDE, Step-Back
- 15 Novērtē RAG cauruļvadu
- 16 Meklēšana failos vai pielāgots RAG: kad izmantot ko
- 17 Classification de texte avec des embeddings
- 18 Klasterizācija: automātiska grupēšana
- 19 Personālie ieteikumi
- 20 Anomāliju un dublikātu noteikšana
- 21 Fine-tuning des embeddings
- 22 Production : mise à l'échelle et mise en cache