Struttura del corso

Introduzione

  • Cosa sono i database vettoriali?
  • Confronto tra database vettoriali e database tradizionali
  • Panoramica degli incorporamenti vettoriali

Generazione di incorporamenti vettoriali

  • Tecniche per la creazione di incorporamenti da vari tipi di dati
  • Strumenti e librerie per la generazione di embedding
  • Best practice per l'integrazione di qualità e dimensionalità

Indicizzazione e recupero in vettori Databases

  • Strategie di indicizzazione per database vettoriali
  • Creazione e ottimizzazione di indici per la performance
  • Algoritmi di ricerca per similarità e loro applicazioni

Vettore Databases in Machine Learning (ML)

  • Integrazione di database vettoriali con modelli ML
  • Risoluzione dei problemi comuni durante l'integrazione di database vettoriali con modelli di Machine Learning
  • Casi d'uso: sistemi di raccomandazione, recupero di immagini, PNL
  • Casi di studio: implementazioni di successo di database vettoriali

ScalaAbilità e prestazioni

  • Sfide nella scalabilità dei database vettoriali
  • Tecniche per database vettoriali distribuiti
  • Metriche e monitoraggio delle prestazioni

Project Work e Casi di Studio

  • Progetto pratico: Implementazione di una soluzione di database vettoriale
  • Rassegna di ricerche e applicazioni all'avanguardia
  • Presentazioni di gruppo e feedback

Riepilogo e prossime tappe

Requisiti

  • Conoscenza di base delle basi di dati e delle strutture dati
  • Familiarità con i concetti di machine learning
  • Esperienza con un linguaggio di programmazione (preferibilmente Python)

Pubblico

  • Scienziati dei dati
  • Ingegneri dell'apprendimento automatico
  • Sviluppatori di software
  • Database Amministratori
 14 ore

Numero di Partecipanti



Prezzo per Partecipante

Corsi relativi

Categorie relative