Salt la conținutul principal
Română— Alege o limbă
Meniu

Ediția în limba română

Embeddings, RAG și Căutarea Semantică

Acest curs acoperă embeddings OpenAI, baze de date vectoriale, căutarea semantică, un pipeline RAG complet și aplicații de producție.

22 lecții cca. 2 h 15 min Dezvoltator

Ce veți învăța

  • Generați embeddings și măsurați proximitatea semantică dintre texte folosind similaritatea cosinus
  • Indexați un corpus într-o bază de date vectorială și configurați o căutare hibridă semantică și lexicală
  • Construiți un pipeline RAG complet: fragmentare, recuperare, reranking și apoi generare
  • Evaluați relevanța unui pipeline RAG și alegeți între File Search și o arhitectură personalizată
  • Utilizați embeddings pentru a clasifica, clusteriza, recomanda și detecta anomalii și duplicate

Fișa cursului

Cui se adresează
Dezvoltatori, ingineri și integratori care doresc să utilizeze ChatGPT prin API în aplicațiile lor.
Prerechizite
Capacitatea de a citi Python și JSON, noțiuni de bază ale liniei de comandă. O cheie API pentru platforma OpenAI pentru a testa exemplele.
Durată
2 h 15 min — 22 lecții
Format
Curs 100% online, în ritmul propriu, accesibil 24/7 dintr-un browser. Progresul este salvat și puteți relua oricând. Durata estimată: 2 h 15 min.
Evaluare
Autoevaluare bazată pe punctele cheie care încheie fiecare lecție și practică directă a exemplelor pe propriile cazuri. Un quiz final cu 5 întrebări și răspunsuri, la sfârșitul ultimei lecții, validează ceea ce ați învățat.
Accesibilitate
Curs în ritmul propriu, accesibil persoanelor cu dizabilități: conținut text compatibil cu cititoarele de ecran, navigare prin tastatură și contrast de culori conform. Pentru orice nevoie de adaptare, trimiteți un e-mail la [email protected].
Preț
Gratis

Conținutul cursului

  1. 01 Ce este un embedding: intuiția
  2. 02 API-ul de Embeddings: Modele și Dimensiuni
  3. 03 Generați embedding-uri pentru datele dumneavoastră
  4. 04 Distanța și similaritatea cosinus
  5. 05 Vizualizarea embedding-urilor
  6. 06 Căutare semantică vs. căutare pe cuvinte cheie
  7. 07 Indexarea unui corpus de documente
  8. 08 Baze de date vectoriale (Pinecone, Qdrant, Weaviate)
  9. 09 Căutare hibridă (semantică + lexicală)
  10. 10 Évaluer la qualité de la recherche
  11. 11 Arhitectura RAG completă
  12. 12 Chunking: Divizarea inteligentă a documentelor
  13. 13 Reranking: Îmbunătățirea Relevanței
  14. 14 RAG avansat: Multi-Query, HyDE, Step-Back
  15. 15 Evaluarea unui flux RAG
  16. 16 Căutare în fișiere vs. RAG personalizat: când să le utilizați
  17. 17 Clasificarea textului cu embedding-uri
  18. 18 Clustering: Grupare automată
  19. 19 Recomandări personalizate
  20. 20 Detecția anomaliilor și a duplicatelor
  21. 21 Ajustarea fină a embedding-urilor
  22. 22 Production: Scalabilitate și Cache