Cursus
Retrieval Augmented Generation (RAG) met LangChain
GemiddeldVaardigheidsniveau
Bijgewerkt 12-2024
PythonArtificial Intelligence3 u12 videos38 Opdrachten3,150 XP17,938Bewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Geliefd bij leerlingen van duizenden bedrijven
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
Bouw RAG-systemen met LangChain
Retrieval Augmented Generation (RAG) is een manier om een van de grootste problemen van grote taalmodellen (LLM's) op te lossen: hun beperkte kennis. RAG-systemen voegen externe gegevens uit allerlei bronnen samen in LLMs. Het is meestal best lastig om verschillende systemen aan elkaar te koppelen, maar met LangChain is het supermakkelijk!Leer de nieuwste methodes voor splitsen en ophalen
Maak je RAG-architectuur nog beter! Je leert hoe je codebestanden kunt laden en splitsen, zoals Python- en Markdown-bestanden, zodat de splitsingen rekening houden met de codesyntaxis. Je splitst je documenten met tokens in plaats van tekens, zodat je opgehaalde documenten binnen het contextvenster van je model blijven. Ontdek hoe semantische splitsing kan helpen om de context te behouden door te zien wanneer het onderwerp in de tekst verandert en op die punten te splitsen. Leer tot slot je RAG-architectuur goed te evalueren met LangSmith en Ragas.Ontdek de Graph RAG-architectuur
Draai je RAG-architectuur eens helemaal om en kijk hoe grafiekgebaseerde RAG-systemen, in plaats van vectorgebaseerde, je systeem beter kunnen laten begrijpen wat de entiteiten en relaties in je documenten zijn. Je leert hoe je ongestructureerde tekstgegevens omzet in grafieken met behulp van LLMs om de vertaling te doen! Vervolgens sla je deze grafiekdocumenten op in een Neo4j-grafiekdatabase en integreer je deze in een breder RAG-systeem om de applicatie te voltooien.Vereisten
Developing LLM Applications with LangChain1
RAG-toepassingen bouwen met LangChain
Ontdek hoe je externe databronnen integreert in chatmodellen met LangChain. Leer data laden, splitsen, embedden, opslaan en ophalen voor gebruik in LLM-toepassingen.
2
De RAG-architectuur verbeteren
Ontdek state-of-the-art technieken voor het laden, splitsen en ophalen van documenten, waaronder het laden van Python-bestanden, semantisch splitsen en het gebruik van MRR- en self-query-ophaalmethoden. Leer je RAG-architectuur te evalueren met robuuste statistieken en frameworks.
3
Introductie tot Graph RAG
Ontdek hoe graafdatabases en -opvraging enkele beperkingen van traditionele vectorgebaseerde opslag en retrieval kunnen overwinnen.
Retrieval Augmented Generation (RAG) met LangChain
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Retrieval Augmented Generation (RAG) met LangChain!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.