Εξέλιξη Κομματιού

Εισαγωγή

  • Τι είναι βάσεις δεδομένων αντικειμένων;
  • Βάσεις δεδομένων αντικειμένων vs παραδοσιακές βάσεις δεδομένων
  • Γενική επισκόπηση αντικειμένων embeddings

Δημιουργία Vector Embeddings

  • Τεχνικές για τη δημιουργία embeddings από διάφορους τύπους δεδομένων
  • Εργαλεία και βιβλιοθήκες για τη δημιουργία embeddings
  • Καλύτερες πρακτικές για την ποιότητα και τη διάσταση των embeddings

Δείκτρα και Ανάκτηση σε Vector Databases

  • Στρατηγικές δείκτρα για vector databases
  • Δημιουργία και βελτιστοποίηση δεικτών για απόδοση
  • Αλγόριθμοι αναζήτησης παρόμοιας και εφαρμογές τους

Vector Databases σε Μηχανική Μάθηση (ML)

  • Ολοκλήρωση vector databases με πρότυπα ML
  • Εξάλειψη κοινών προβλημάτων όταν συνδέουν vector databases με πρότυπα ML
  • Χρήσεις: συστήματα συστάσεων, ανάκτηση εικόνας, NLP
  • Μελέτες περιπτώσεων: επιτυχημένες υλοποιήσεις vector databases

Κλίμακα και Απόδοση

  • Προκλήσεις στην κλίμακα vector databases
  • Τεχνικές για κατανεμημένες vector databases
  • Μέτρα απόδοσης και παρακολούθηση

Δουλειά Προ젝του και Μελέτες Περιπτώσεων

  • Χειροκίνητη δουλειά πρότυπα: υλοποίηση λύσης vector database
  • Εξέταση και εφαρμογή ανωτερών έρευνων και εφαρμογών
  • Γιουπ παρουσιάσεις και σχόλια

Περίληψη και επόμενα βήματα

Απαιτήσεις

  • Βασική γνώση βάσεων δεδομένων και δομών δεδομένων
  • Γνώση αρχών μηχανικής μάθησης
  • Εμπειρία σε γλώσσα προγραμματισμού (ιδεάλως Python)

Ακροατήριο

  • Επιστήμονες δεδομένων
  • Μηχανικοί μηχανικής μάθησης
  • Πρόγραμματιστές λογισμικού
  • Διαχειριστές βάσεων δεδομένων
 14 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετοχαστή

Εφεξής Μαθήματα

Σχετικές Κατηγορίες