Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Nederlandstalige editie

Embeddings, RAG en semantisch zoeken

Deze cursus behandelt OpenAI-embeddings, vector databases, semantisch zoeken, een volledige RAG-pipeline en productietoepassingen.

22 lessen ca. 2 h 15 min Ontwikkelaar

Wat u leert

  • Embeddings genereren en de semantische nabijheid tussen teksten meten met behulp van cosinusovereenkomst
  • Een corpus indexeren in een vector database en hybride semantisch en lexicaal zoeken opzetten
  • Een volledige RAG-pipeline bouwen: chunking, retrieval, reranking en vervolgens generatie
  • De relevantie van een RAG-pipeline evalueren en kiezen tussen File Search en een aangepaste architectuur
  • Embeddings gebruiken om te classificeren, clusteren, aanbevelen, en anomalieën en duplicaten detecteren

Cursusoverzicht

Voor wie
Ontwikkelaars, ingenieurs en integrators die ChatGPT via de API in hun toepassingen willen gebruiken.
Vereisten
Vermogen om Python en JSON te lezen, basiskennis van de commandoregel. Een OpenAI Platform API-sleutel om de voorbeelden uit te proberen.
Duur
2 h 15 min — 22 lessen
Modaliteiten
100% online zelfgestuurde cursus, 24/7 toegankelijk via een browser. De voortgang wordt opgeslagen en u kunt op elk moment hervatten. Geschatte duur: 2 h 15 min.
Toetsing
Zelfevaluatie op basis van de belangrijkste leerpunten die elke les afsluiten, en directe praktijk van de voorbeelden met uw eigen gegevens. Een eindquiz van 5 vragen met antwoorden, aan het einde van de laatste les, valideert wat u heeft geleerd.
Toegankelijkheid
Zelfgestuurde cursus toegankelijk voor personen met een handicap: tekstinhoud compatibel met schermlezers, toetsenbordnavigatie en conforme kleurcontrasten. Voor aanpassingsbehoeften kunt u e-mailen naar [email protected].
Prijs
Gratis

Inhoud van de cursus

  1. 01 Wat is een embedding: de intuïtie
  2. 02 De Embeddings API: Modellen en Dimensies
  3. 03 Genereer embeddings voor uw gegevens
  4. 04 Afstand en Cosinusgelijkenis
  5. 05 Visualiser les embeddings
  6. 06 Zoeken op betekenis versus zoeken op trefwoord
  7. 07 Indexeren van een documentencorpus
  8. 08 Vector databases (Pinecone, Qdrant, Weaviate)
  9. 09 Hybride zoekopdracht (semantisch + lexicaal)
  10. 10 De zoekkwaliteit evalueren
  11. 11 Volledige RAG-architectuur
  12. 12 Chunking: uw documenten intelligent opsplitsen
  13. 13 Reranking: de relevantie verbeteren
  14. 14 RAG geavanceerd: Multi-Query, HyDE, Step-Back
  15. 15 Een RAG-pijplijn evalueren
  16. 16 File Search vs. Custom RAG: wanneer gebruikt u wat?
  17. 17 Classificatie van tekst met embeddings
  18. 18 Clustering: Groepering automatiseren
  19. 19 Aanbevelingen op maat
  20. 20 Detectie van anomalieën en duplicaten
  21. 21 Fine-tuning van embeddings
  22. 22 Productie: Schalen en Cachen