Сколько стоит курс «pgvector: векторы в PostgreSQL: с нуля до production»?

Стоимость курса составляет 990.00 рублей

Какой рейтинг у курса «pgvector: векторы в PostgreSQL: с нуля до production»?

Курс имеет рейтинг 0.0 из 5 на основе 0 отзывов. На курсе обучается 5 учеников.

Где можно пройти курс «pgvector: векторы в PostgreSQL: с нуля до production»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/305689.

Курс на Stepik

Обложка курса «pgvector: векторы в PostgreSQL: с нуля до production» на Stepik

990 ₽

pgvector: векторы в PostgreSQL: с нуля до production ★ 0.000

Name: pgvector: векторы в PostgreSQL: с нуля до production
Price: 990.00 RUB
Availability: InStock
Rating: 0 (0 reviews)

Открыть на
STEPIK.ORG

350+ задач с автопроверкой: от эмбеддингов до HNSW-индексов, гибридного поиска и RAG-пайплайна на Python. PostgreSQL остаётся одной БД — без отдельной векторной.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	5
Сертификатов выдано	0
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	44
Количество квизов	91
Количество задач с кодом	34
Стоимость курса	990 ₽	—
Обновления курса	—	—
Дата публикации курса	4 дня назад	—	—	—	—
Последнее обновление	11 ноября 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание курса

Разделы в курсе «pgvector: векторы в PostgreSQL: с нуля до production»

8 разделов Уроки в курсе «pgvector: векторы в PostgreSQL: с нуля до production»

44 урока Тесты в курсе «pgvector: векторы в PostgreSQL: с нуля до production»

91 тест Задачи в курсе «pgvector: векторы в PostgreSQL: с нуля до production»

34 задачи Последнее обновление курса «pgvector: векторы в PostgreSQL: с нуля до production»

обн. 11 ноября 2026

🎓 Проект: «база знаний для саппорта»

5 уроков

1. Урок 8.1. ТЗ и схема базы знаний ↗

2. Урок 8.2. Ingestion-пайплайн документов ↗

3. Урок 8.3. Поисковый API на FastAPI ↗

4. Урок 8.4. Оценка качества: recall@k и зачёт ↗

5. Урок 8.5. Защита проекта ↗

🏭 Production

5 уроков

1. Урок 7.1. Мониторинг задержек поиска и размера индекса ↗

2. Урок 7.2. Re-embedding без простоя ↗

3. Урок 7.3. Стоимость API эмбеддингов и оптимизация ↗

4. Урок 7.4. Три типовых инцидента ↗

5. Урок 7.5. Итог модуля 7 ↗

📊 Масштабирование

5 уроков

1. Урок 6.1. Партиционирование по коллекциям ↗

2. Урок 6.2. halfvec и bit: сжатие векторов ↗

3. Урок 6.3. Параллельные индексы и построение ↗

4. Урок 6.4. Когда выходить в Qdrant/Weaviate ↗

5. Урок 6.5. Итог модуля 6 ↗

📦 pgvector: установка и первый поиск

5 уроков

1. Урок 2.1. CREATE EXTENSION и тип vector ↗

2. Урок 2.2. Три метрики pgvector ↗

3. Урок 2.3. Вставка и простой поиск ↗

4. Урок 2.4. Почему размерность важна (1536) ↗

5. Урок 2.5. Поиск без индекса: когда достаточно ↗

🔀 Гибридный поиск

6 уроков

1. Урок 4.1. Почему чистого векторного поиска недостаточно ↗

2. Урок 4.2. Полнотекстовый поиск в PostgreSQL ↗

3. Урок 4.3. Гибридный поиск: вектор + полнотекст ↗

4. Урок 4.4. RRF (Reciprocal Rank Fusion) ↗

5. Урок 4.5. Фильтры + вектор (pre/post-filter) ↗

6. Урок 4.6. Веса скоров и подбор гибрида ↗

🔍 Индексы: HNSW vs IVFFlat

5 уроков

1. Урок 3.1. Зачем нужны индексы для векторов ↗

2. Урок 3.2. HNSW: hierarchical navigable small world ↗

3. Урок 3.3. HNSW: ef_construction и ef_search ↗

4. Урок 3.4. IVFFlat: inverted file index ↗

5. Урок 3.5. HNSW vs IVFFlat: когда что выбирать ↗

🤖 RAG-пайплайн на Python

7 уроков

1. Урок 5.1. Архитектура RAG ↗

2. Урок 5.2. Chunking: стратегии разбиения текста ↗

3. Урок 5.3. Эмбеддинги чанков и хранение в PostgreSQL ↗

4. Урок 5.4. Retrieval: поиск релевантных чанков ↗

5. Урок 5.5. Генерация ответа (FastAPI, промпт) ↗

6. Урок 5.6. Кэширование эмбеддингов ↗

7. Урок 5.7. Оценка качества: recall@k ↗

🧠 Эмбеддинги: от текста к вектору

6 уроков

1. Урок 1. Что такое эмбеддинг и зачем он нужен ↗

2. Урок 2. Как получить эмбеддинг: API и локально ↗

3. Урок 3. Эмбеддинги в NumPy ↗

4. Урок 4. Косинусное расстояние и сходство ↗

5. Урок 5. L2 и скалярное произведение ↗

6. Урок 6. От эмбеддинга к вектору в PostgreSQL ↗