คอร์ส
Retrieval Augmented Generation (RAG) with LangChain
ระดับกลางระดับทักษะ
อัปเดตแล้ว 12/2567
PythonArtificial Intelligence3 ชม.12 วิดีโอ38 แบบฝึกหัด3,150 XP17,856ใบรับรองความสำเร็จ
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา
เป็นที่รักของผู้เรียนในบริษัทหลายพันแห่ง
กำลังฝึกอบรมทีม?
ลองใช้สำหรับธุรกิจคำอธิบายคอร์ส
Build RAG Systems with LangChain
Retrieval Augmented Generation (RAG) is a technique used to overcome one of the main limitations of large language models (LLMs): their limited knowledge. RAG systems integrate external data from a variety of sources into LLMs. This process of connecting multiple different systems is usually tedious, but LangChain makes this a breeze!Learn State-of-the-Art Splitting and Retrieval Methods
Level-up your RAG architecture! You'll learn how to load and split code files, including Python and Markdown files to ensure that splits are "aware" of code syntax. You'll split your documents using tokens instead of characters to ensure that your retrieved documents stay within your model's context window. Discover how semantic splitting can help retain context by detecting when the subject in the text shifts and splitting at these points. Finally, learn to evaluate your RAG architecture robustly with LangSmith and Ragas.Discover the Graph RAG Architecture
Flip your RAG architecture on its head and discover how graph-based, rather than vector-based RAG systems can improve your system's understanding of the entities and relationships in your documents. You'll learn how to convert unstructured text data into graphs using LLMs to do the translation! Then, you'll store these graph documents in a Neo4j graph database and integrate it into a wider RAG system to complete the application.ข้อกำหนดเบื้องต้น
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) with LangChain
คอร์สเสร็จสมบูรณ์ รับใบรับรองความสำเร็จ
เพิ่มใบรับรองนี้ไปยังโปรไฟล์ LinkedIn เรซูเม่ หรือ CV ของคุณแชร์บน social media และในการรีวิวผลการปฏิบัติงานของคุณลงทะเบียนทันที
ร่วมกับผู้เรียนกว่า 19 ล้านคนและเริ่มต้น Retrieval Augmented Generation (RAG) with LangChain วันนี้!
สร้างบัญชีฟรีของคุณ
ดำเนินการต่อด้วย Googleแสดงตัวเลือกเพิ่มเติมหรือ
เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา
พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile
พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา