Kurzusleírás

Bevezetés

  • Mi az a vektor adatbázis?
  • Vektor adatbázisok vs. hagyományos adatbázisok
  • Vektor embeddings áttekintése

Vektor embeddings generálása

  • Vektorok létrehozásának technikái különböző adattípusokból
  • Eszközök és könyvtárak embedding generálására
  • Best practices embedding minőségéhez és dimenzionalitásához

Indexelési és keresési eljárások Vector Databases-ban

  • Indexelési stratégiák vektor adatbázisokhoz
  • Teljesítményoptimálás indexek építésével
  • Hasonlósági keresési algoritmusok és alkalmazásaik

Vector Databases a Machine Learning (ML) területén

  • Vektor adatbázisok integrálása ML modellekkel
  • Gyakori problémák megoldása vektor adatbázisok és ML modellek integrálása közben
  • Alkalmazási példák: ajánlórendszerek, képkeresés, NLP
  • Esetstudiumok: sikeres vektor adatbázis implementációk

Skálázhatóság és teljesítmény

  • Vektor adatbázisok skálázásának kihívásai
  • Eljárások eloszló vektor adatbázisokhoz
  • Teljesítményi mérési mutatók és monitorozás

Projektmunka és esetstudiumok

  • Gyakorlati projekt: vektor adatbázis megoldás létrehozása
  • Legújabb kutatások és alkalmazások áttekintése
  • Csoportbemutatók és visszajelzések

Összegzés és következő lépések

Követelmények

  • Adatok és adatszerkezetek alapvető ismerete
  • Ismeret a gépi tanulás fogalmaival
  • Programozási nyelvvel való tapasztalat (legjobb esetben Python)

Célközönség

  • Adattudósok
  • Gépi tanulás mérnökök
  • Szoftverfejlesztők
  • Database adminisztrátorok
 14 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák