Struttura del corso

Introduzione

  • Che cos'è un database vettoriale?
  • Database vettoriali vs database tradizionali
  • Panoramica sulle embedding vettoriali

Generazione di Embedding Vettoriali

  • Tecniche per creare embedding da vari tipi di dati
  • Strumenti e librerie per la generazione di embedding
  • Best practice per la qualità e dimensionalità degli embedding

Indicizzazione e Recupero nei Vector Databases

  • Strategie di indicizzazione per i database vettoriali
  • Costruzione ed ottimizzazione delle basi di indici per le prestazioni
  • Algoritmi di ricerca di similarità e loro applicazioni

Vector Databases nel Machine Learning (ML)

  • Integrazione dei database vettoriali con modelli ML
  • Risoluzione dei problemi comuni durante l'integrazione tra database vettoriali e modelli ML
  • Casistiche: sistemi di raccomandazione, recupero immagini, NLP
  • Studi di caso: implementazioni riuscite dei database vettoriali

Scalabilità e Prestazioni

  • Sfide nella scalabilità dei database vettoriali
  • Tecniche per i database vettoriali distribuiti
  • Metriche di prestazione e monitoraggio

Lavoro Progettuale e Studi di Caso

  • Progetto pratico: Implementazione di una soluzione con database vettoriale
  • Rassegna della ricerca ed applicazioni all'avanguardia
  • Presentazioni e feedback dei gruppi

Sintesi e Passi Successivi

Requisiti

  • Conoscenza di base dei database e delle strutture dati
  • Familiarità con i concetti di apprendimento automatico
  • Esperienza con un linguaggio di programmazione (preferibilmente Python)

Pubblico

  • Scienziati dei dati
  • Ingegneri di apprendimento automatico
  • Sviluppatori software
  • Database amministratori
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative