Plan du cours

Introduction

  • Qu'est-ce que les bases de données vectorielles ?
  • Bases de données vectorielles vs bases de données traditionnelles
  • Aperçu des plongements vectoriels

Génération des Plongements Vectoriels

  • Techniques pour créer des plongements à partir de différents types de données
  • Outils et bibliothèques pour la génération de plongements
  • Meilleures pratiques pour la qualité et la dimensionnalité des plongements

Indexation et Recherche dans Vector Databases

  • Stratégies d'indexation pour les bases de données vectorielles
  • Construction et optimisation des indices pour la performance
  • Algorithmes de recherche de similarité et leurs applications

Vector Databases dans Machine Learning (ML)

  • Intégration des bases de données vectorielles avec les modèles ML
  • Résolution des problèmes courants lors de l'intégration des bases de données vectorielles avec les modèles ML
  • Cas d'utilisation : systèmes de recommandation, récupération d'images, NLP
  • Études de cas : mises en œuvre réussies des bases de données vectorielles

Scalabilité et Performance

  • Défis liés à l'échelle des bases de données vectorielles
  • Techniques pour les bases de données vectorielles distribuées
  • Métriques et surveillance des performances

Travail en Projet et Études de Cas

  • Projet pratique : Implémentation d'une solution basée sur une base de données vectorielle
  • Revue des recherches et applications à la pointe
  • Présentations en groupe et feedback

Résumé et Prochaines Étapes

Pré requis

  • Connaissance de base des bases de données et des structures de données
  • Familiarité avec les concepts d'apprentissage automatique
  • Expérience dans un langage de programmation (préférablement Python)

Public cible

  • Scientifiques des données
  • Ingénieurs en apprentissage automatique
  • Développeurs de logiciels
  • Administrateurs Database
 14 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires