Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction
- Qu'est-ce qu'une base de données vectorielle ?
- Bases de données vectorielles et bases de données traditionnelles
- Vue d'ensemble des encastrements vectoriels
Générer des embeddings vectoriels
- Techniques pour créer des embeddings à partir de différents types de données
- Outils et bibliothèques pour la génération d'embeddings
- Meilleures pratiques pour la qualité et la dimensionnalité de l'intégration
Indexation et recherche dans les Databases vectoriels
- Stratégies d'indexation pour les bases de données vectorielles
- Construction et optimisation des indices pour la performance
- Algorithmes de recherche par similarité et leurs applications
Les Databases vectoriels dans Machine Learning (ML)
- Intégration des bases de données vectorielles aux modèles de ML
- Résolution des problèmes courants lors de l'intégration de bases de données vectorielles avec des modèles de ML
- Cas d'utilisation : systèmes de recommandation, recherche d'images, NLP
- Études de cas : implémentations réussies de bases de données vectorielles
Scalabilité et performance
- Défis liés à la mise à l'échelle des bases de données vectorielles
- Techniques pour les bases de données vectorielles distribuées
- Mesures de performance et surveillance
Travaux de projet et études de cas
- Projet pratique : Mise en œuvre d'une solution de base de données vectorielle
- Examen de la recherche et des applications de pointe
- Présentations de groupe et retour d'information
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 d'un langage de programmation (de préférence Python)
Public
- Scientifiques des données
- Ingénieurs en apprentissage automatique
- Développeurs de logiciels
- Administrateurs Database
14 Heures
