Kursplan

Introduktion

  • Vad är vektordatabaser?
  • Vektordatabaser vs traditionella databaser
  • Översikt över vektorembeddingar

Generering av Vektorembeddingar

  • Tekniker för att skapa embeddingar från olika datatyper
  • Verktyg och bibliotek för generering av embeddingar
  • Bästa praxis för kvalitet och dimensionalitet hos embeddingar

Indexering och Hämtning i Vector Databases

  • Indexeringsstrategier för vektordatabaser
  • Byggande och optimerande av index för prestanda
  • Liknande sökalgoritmer och deras tillämpningar

Vector Databases i Machine Learning (ML)

  • Integration av vektordatabaser med ML-modeller
  • Felsökning av vanliga problem vid integration av vektordatabaser med ML-modeller
  • Användningsområden: rekommendationssystem, bildhämtning, NLP
  • Fallstudier: framgångsrika implementationer av vektordatabaser

Skalbarhet och Prestanda

  • Utmaningar med att skalera vektordatabaser
  • Tekniker för fördelade vektordatabaser
  • Prestandamått och övervakning

Projektarbete och Fallstudier

  • Praktiskt projekt: Implementering av en lösning för vektordatabaser
  • Granskning av framstående forskning och tillämpningar
  • Grupppresentationer och återkoppling

Sammanfattning och Nästa Steg

Krav

  • Grundläggande kunskap om databaser och datastrukturer
  • Kunskap om maskininlärningskoncept
  • Erfarenhet av ett programmeringsspråk (gärna Python)

Målgrupp

  • Datavetare
  • Maskininlärningsingenjörer
  • Programutvecklare
  • Database-administratörer
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier