Чему вы научитесь
- Объяснять, почему поиск по ключевым словам не ловит смысл, а векторный ловит
- Понимать, как HNSW находит ближайшие векторы за миллисекунды
- Выбирать метрику расстояния и модель эмбеддингов, в том числе для русского языка
- Запускать Qdrant в Docker и подключаться к нему из Python: синхронным и асинхронным клиентом, через REST и gRPC
- Работать с дашбордом и исправлять типичные ошибки новичков
- Проектировать коллекции и точки, продумывать payload (данные, которые хранятся рядом с вектором)
- Добавлять, читать, обновлять и удалять данные из кода
О курсе
Для кого этот курс
Начальные требования
Перед началом желательно знать:
- базовый Python
- базовые операции с Docker пригодятся, но не обязательны — все команды даны в курсе.
Преподаватели курса
Как проходит обучение
Каждый раздел - это теория плюс отдельный ноутбук с практикой. Ноутбук можно скачать и запустить локально в Docker или прямо в Google Colab — без сложной настройки окружения.
Внутри - примеры с разобранным реальным выводом и задания с автопроверкой прямо на Stepik: вы пишете код сами, а не выбираете из готовых вариантов.
Вся практика курса построена на одной сквозной коллекции: вы собираете её один раз в начале и постепенно улучшаете. Так это выглядит и в реальной работе с хранилищем.
Что вы получите
- Практический навык: от идеи до первой работающей системы на Qdrant, а не «умею вызвать один метод»
- Востребованный стек: векторные базы и RAG сейчас лежат в основе почти любого продукта с поиском по смыслу или LLM-ассистентом
- Понимание, как всё устроено внутри, чтобы самому проектировать хранение данных, а не собирать решение из кусочков документации и форумов
- Готовый фундамент, на который можно наращивать более сложные темы: фильтрацию, гибридный поиск, продакшен