Kursplan

Introduktion

  • Vad är vector databaser?
  • Vector databaser vs traditionella databaser
  • Översikt över vektorinbäddningar (embeddings)

Generering av Vektorembäddningar

  • Tekniker för att skapa inbäddningar från olika datatyper
  • Verktyg och bibliotek för generering av inbäddningar
  • Bästa praxis för inbäddningskvalitet och dimensionalitet

Indexering och Hämtning i Vector Databaser

  • Indexstrategier för vector databaser
  • Bygga och optimera index för prestanda
  • Likhetsökningsalgoritmer och deras tillämpningar

Vector Databaser i Maskininlärning (ML)

  • Integrering av vector databaser med ML-modeller
  • Felsökning av vanliga problem vid integration av vector databaser med ML-modeller
  • Användningsfall: rekommendationssystem, bildhämtning, NLP (natur-språsbearbetning)
  • Fallstudier: framgångsrika implementeringar av vector databaser

Skalbarhet och Prestanda

  • Utmaningar vid skalning av vector databaser
  • Tekniker för distribuerade vector databaser
  • Prestandametrar och övervakning

Projektarbete och Fallstudier

  • Praktiskt projekt: Implementering av en vector databaslösning
  • Granskning av framgångande forskning och tillämpningar
  • Grupppresentationer och feedback

Sammanfattning och Nästa Steg

Krav

  • Grundläggande kunskap om databaser och datastrukturer
  • Bekantskap med maskininlärningskoncept
  • Erfarenhet av ett programmeringsspråk (förtrödligt Python)

Målgrupp

  • Data-scientister
  • Maskininlärningsingenjörer
  • Programutvecklare
  • Databasadministratörer
 14 Timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier