Чему вы научитесь
- Понимать, как устроены и работают современные RAG-пайплайны
- Проектировать и разрабатывать собственные RAG-системы без готовых фреймворков
- Подготавливать RAG-систему к выводу в Production
- Оценивать качество RAG-пайплайна
О курсе
RAG это не про векторные базы данных. RAG это про многообразие способов обогатить контекст запроса модели с помощью внешних данных. А как они будут извлечены и когда какой способ подходит — этому и посвящен курс. В ходе курса будут изучены подходы к поиску на основе векторов (Semantic/Dense, Sparse, Hybrid, Fusion), графов (Graph RAG), реляционных баз данных (Text2SQL), Интернета (Web Search), а также практики RAGOps/Production RAG.
Для кого этот курс
- Для всех тех, кто уже знаком с предыдущими курсами автора и хотел бы углубиться в RAG;
- Для всех тех, кто разрабатывает или планирует разрабатывать LLM-продукт или LLM-фичу.
- И для всех остальных, кто хочет освоить новую востребованную область.
Начальные требования
- Среднее общее образование (10–11 классов).
- Базовый Python (на нём даются примеры).
- Умение работать с Git и Docker (чтобы склонировать проект и поднять окружение с сервисами).
- Учебный опыт работы с базами данных (PostgreSQL, SQLite) и фреймворками для создания API (FastAPI)
- Готовность уделить время на практику и поизучать дополнительные материалы.
Преподаватели курса
6 956
Как проходит обучение
Вы читаете текстовые уроки, решаете тестовые задания и пишите небольшие кусочки кода на Python для закрепления материалов. Если хотите реальной практики, то советую выполнять проектные работы.
Никаких дедлайнов — учитесь в своем темпе. Вы учитесь только для себя!
Что вы получите
- актуальные знания и навыки, которые не устареют с выходом новой версии фреймворка
- практика для оттачивания навыков и закрепления знания
- проекты в портфолио