Курс на Stepik
Обложка курса «NLP Advanced: LLM и RAG» на Stepik
Бесплатно

NLP Advanced: LLM и RAG ★ 0.000

Открыть на
STEPIK.ORG

Освойте Retrieval-Augmented Generation — ключевую технологию для создания продвинутых NLP-систем. Научитесь преодолевать «галлюцинации» больших языковых моделей, подключая их к вашим базам знаний, документам или API в реальном времени. Вы изучите работу с векторными базами данных для эффективного поиска информации. В итоге вы сможете создавать надежные и точные AI-приложения, такие как умные чат-боты и экспертные системы ответов на вопросы.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «NLP Advanced: LLM и RAG»Учеников на курсе 12
Сертификаты, выданные на курсе «NLP Advanced: LLM и RAG»Сертификатов выдано 0
Отзывы о курсе «NLP Advanced: LLM и RAG»Отзывов получено 0
Рейтинг курса «NLP Advanced: LLM и RAG»Рейтинг курса 0.000
Уроки в курсе «NLP Advanced: LLM и RAG»Количество уроков 8
Тесты в курсе «NLP Advanced: LLM и RAG»Количество квизов 16
Время прохождения курса «NLP Advanced: LLM и RAG»Время прохождения курса —
Обновления курса «NLP Advanced: LLM и RAG»Обновления курса — —
Дата публикации курса «NLP Advanced: LLM и RAG»Дата публикации курса — ———
Последнее обновление курса «NLP Advanced: LLM и RAG»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «NLP Advanced: LLM и RAG» 3 раздела Уроки в курсе «NLP Advanced: LLM и RAG» 8 уроков Тесты в курсе «NLP Advanced: LLM и RAG» 16 тестов Время прохождения курса «NLP Advanced: LLM и RAG» 0 ч. Последнее обновление курса «NLP Advanced: LLM и RAG» обн. 1 год назад

Введение в RAG и экосистему LLM

3 урока
1. Проблемы современных LLM: Галлюцинации и устаревшие знания ↗
2. RAG, Fine-Tuning и Prompt Engineering — выбираем инструмент ↗
3. Техники промптинга для RAG — заставляем модель думать ↗

Фундамент RAG — Искусство и наука Чанкинга

2 урока
1. Чанкинг ↗
2. От семантики к атомарным фактам ↗

Сердце RAG — Эмбеддинги и векторный поиск

3 урока
1. Как компьютер понимает смысл: Введение в эмбеддинги ↗
2. Узнать, где и как хранятся эти данные для сверхбыстрого поиска ( ↗
3. Сложить эти два компонента в единую картину, объясняющую работу ↗