คอร์ส
Graph RAG with LangChain and Neo4j
ขั้นสูงระดับทักษะ
อัปเดตแล้ว 03/2569
PythonArtificial Intelligence3 ชม.11 วิดีโอ37 แบบฝึกหัด3,100 XPใบรับรองความสำเร็จ
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา
เป็นที่รักของผู้เรียนในบริษัทหลายพันแห่ง
กำลังฝึกอบรมทีม?
ลองใช้สำหรับธุรกิจคำอธิบายคอร์ส
Level-Up Your RAG Applications with Graphs
Are you bored of vectors, embeddings, and vector RAG applications yet? Look no further! In this course, you'll discover how Graph RAG can greatly improve the accuracy and reliability of RAG applications by storing and querying information in the form of nodes and relationships. Combine Neo4j graph databases with LangChain and you get a truly awesome way of retrieving and integrating external data with LLMs.Create Neo4j Graph Databases from Unstructured Text
What if my dataset is messy unstructured text rather than a graph? Don't panic—you'll learn how to use LLMs with structured outputs to extract entities and relationships from text, and create new nodes and relationships for your graph database. You'll utilize the Pydantic library to define strict data structures for your LLM to populate with extracted text data.Combine Vectors and Graphs for Hybrid RAG
You don't have to choose between vectors vs. graphs—you can have the best of both worlds! Discover how you can retrieve from both data sources in a single workflow and carefully construct prompts to integrate them into a hybrid RAG application.Integrate Long-Term Chatbot Memory
Graph databases like Neo4j aren't only useful as knowledge bases for retrieval, you can also store long-term information like user facts and preferences as graphs! This long-term memory can then be queried just like any other graph database to integrate these preferences and personalize your applications.ข้อกำหนดเบื้องต้น
Retrieval Augmented Generation (RAG) with LangChain1
Getting Started with Graph RAG and Neo4j
Learn how Graph RAG can improve the accuracy and reliability of RAG applications! Store information as nodes and edges in a Neo4j database, and give your LLM the ability to query it so it can retrieve entity and relational information to provide informed answers.
2
Graph Models and Hybrid RAG
Text-to-Cypher applications work well in many circumstances, but we can do better than that! Discover how to construct graph databases using different graph models including lexical and domain graphs. Create Neo4j vector indexes so that you can have the best of both worlds and run graph and vector retrieval simultaneously!
3
Improving Retrieval Quality
Although Graph RAG applications are generally more reliable than vector RAG, they aren't totally infallible. In this chapter, you'll learn to evaluate your Graph RAG applications, spot incorrect or duplicate graph nodes, and integrate long-term memory so user preferences can be learned over time.
Graph RAG with LangChain and Neo4j
คอร์สเสร็จสมบูรณ์ รับใบรับรองความสำเร็จ
เพิ่มใบรับรองนี้ไปยังโปรไฟล์ LinkedIn เรซูเม่ หรือ CV ของคุณแชร์บน social media และในการรีวิวผลการปฏิบัติงานของคุณลงทะเบียนทันที
ร่วมกับผู้เรียนกว่า 19 ล้านคนและเริ่มต้น Graph RAG with LangChain and Neo4j วันนี้!
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา
พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile
พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา