Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

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

  1. 01 Kas ir iegulums: intuīcija
  2. 02 API Embeddings: modeļi un dimensijas
  3. 03 Générez des embeddings pour vos données
  4. 04 Attālums un kosinusa līdzība
  5. 05 Vizualizē iegultnes
  6. 06 Meklēšana pēc nozīmes pret atslēgvārdu meklēšanu
  7. 07 Indexer un corpus de documents
  8. 08 Datubāzes vektoriem (Pinecone, Qdrant, Weaviate)
  9. 09 Meklēšana hibrīdrežīmā (semantiskā + leksikālā)
  10. 10 Novērtēt meklēšanas kvalitāti
  11. 11 Pilnīga RAG arhitektūra
  12. 12 Sadalīšana fragmentos: jūsu dokumentu inteliģenta sadalīšana
  13. 13 Pārkārtotā rangā: atbilstības uzlabošana
  14. 14 RAG avancé : Multi-Query, HyDE, Step-Back
  15. 15 Novērtē RAG cauruļvadu
  16. 16 Meklēšana failos vai pielāgots RAG: kad izmantot ko
  17. 17 Classification de texte avec des embeddings
  18. 18 Klasterizācija: automātiska grupēšana
  19. 19 Personālie ieteikumi
  20. 20 Anomāliju un dublikātu noteikšana
  21. 21 Fine-tuning des embeddings
  22. 22 Production : mise à l'échelle et mise en cache