Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Införandet
- Vad är vektordatabaser?
- Vektordatabaser jämfört med traditionella databaser
- Översikt över vektorinbäddningar
Generera vektorinbäddningar
- Tekniker för att skapa inbäddningar från olika datatyper
- Verktyg och bibliotek för inbäddningsgenerering
- Metodtips för att bädda in kvalitet och dimensionalitet
Indexering och hämtning i vektor Databases
- Indexeringsstrategier för vektordatabaser
- Bygga och optimera index för prestanda
- Likhetssökningsalgoritmer och deras tillämpningar
Vektor Databases i Machine Learning (ML)
- Integrera vektordatabaser med ML-modeller
- Felsöka vanliga problem vid integrering av vektordatabaser med ML-modeller
- Användningsfall: rekommendationssystem, bildhämtning, NLP
- Fallstudier: framgångsrika implementeringar av vektordatabaser
ScalaFörmåga och prestanda
- Utmaningar vid skalning av vektordatabaser
- Tekniker för distribuerade vektordatabaser
- Prestandamått och övervakning
Projektarbete och fallstudier
- Praktiskt projekt: Implementering av en vektordatabaslösning
- Genomgång av spetsforskning och tillämpningar
- Grupppresentationer och feedback
Sammanfattning och nästa steg
Krav
- Grundläggande kunskaper om databaser och datastrukturer
- Kunskaper om maskininlärningsbegrepp
- Erfarenhet av ett programmeringsspråk (helst Python)
Publik
- Datavetare
- Ingenjörer inom maskininlärning
- Mjukvaruutvecklare
- Database Administratörer
14 timmar