Kurs
Retrieval Augmented Generation (RAG) z LangChain
ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 12.2024
PythonArtificial Intelligence3 godz.12 filmów38 Ćwiczeń3,150 XP17,856Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Twórz systemy RAG z LangChain
Retrieval Augmented Generation (RAG) to technika stosowana do przezwyciężenia jednego z głównych ograniczeń dużych modeli językowych (LLM): ich ograniczonej wiedzy. Systemy RAG integrują dane zewnętrzne z różnych źródeł do LLM-ów. Łączenie wielu różnych systemów to zwykle żmudny proces, ale LangChain sprawia, że to pestka!Poznaj najnowocześniejsze metody dzielenia i wyszukiwania
Ulepsz swoją architekturę RAG! Nauczysz się, jak wczytywać i dzielić pliki z kodem, w tym pliki Python i Markdown, aby podziały były „świadome” składni kodu. Podzielisz swoje dokumenty za pomocą tokenów zamiast znaków, aby mieć pewność, że pobrane dokumenty pozostaną w oknie kontekstu Twojego modelu. Dowiedz się, jak dzielenie semantyczne może pomóc zachować kontekst, wykrywając momenty, w których zmienia się temat w tekście, i dzieląc go w tych punktach. Wreszcie naucz się solidnie oceniać swoją architekturę RAG za pomocą LangSmith i Ragas.Odkryj architekturę Graph RAG
Odwróć swoją architekturę RAG do góry nogami i odkryj, jak systemy RAG oparte na grafach, a nie na wektorach, mogą poprawić rozumienie encji i relacji w Twoich dokumentach. Nauczysz się, jak przekształcać nieustrukturyzowane dane tekstowe w grafy za pomocą LLM-ów, aby wykonać tę transformację! Następnie zapiszesz te dokumenty grafowe w bazie danych grafowej Neo4j i zintegrujesz ją z szerszym systemem RAG, aby ukończyć aplikację.Wymagania wstępne
Developing LLM Applications with LangChain1
Building RAG Applications with LangChain
Discover how to integrate external data sources into chat models with LangChain. Learn how to load, split, embed, store, and retrieve data for use in LLM applications.
2
Improving the RAG Architecture
Discover state-of-the-art techniques for loading, splitting, and retrieving documents, including loading Python files, splitting semantically, and using MRR and self-query retrieval methods. Learn to evaluate your RAG architecture using robust metrics and frameworks.
3
Introduction to Graph RAG
Discover how graph databases and retrieval can overcome some of the limitations of traditional vector-based storage and retrieval.
Retrieval Augmented Generation (RAG) z LangChain
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Retrieval Augmented Generation (RAG) z LangChain już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.