本课程使用Open AI GPT和Google Gemini API、LlamaIndex LLM框架和向量数据库(如ChromaDB和Pinecone),旨在帮助您通过坚实的概念和实践课程学习如何构建LLM RAG应用。本课程涵盖了学习LLM RAG应用和框架基础知识的全部方面,如代理、工具、查询管道、检索器、查询引擎等,并以简明清晰的方式深入探讨了语言嵌入和向量数据库的概念,帮助您开发高效的基于语义搜索和语义相似性的RAG应用。我们还将涵盖多种提示工程技术,以帮助您使RAG应用更加高效。包括的项目/实践内容:基本RAG:使用VectorStore,Retriever,Nodepostprocessor,ResponseSynthesizer和查询引擎聊天多个PDF文档ReAct Agent:使用ReAct Agent和Tools创建计算器Document Agent with Dynamic Tools:动态创建多个QueryEngineTools,并通过代理编排查询语义相似性:尝试语义相似性操作并获得相似性分数。  顺序查询管道:创建简单的顺序查询管线。DAG管道:开发复杂的DAG管道。 Dataframe Pipeline:使用Pandas输出解析器和响应合成器开发复杂的数据框架分析管道。与SQL数据库一起工作:使用多种方法开发SQL数据库摄入机器人。对于每个项目,您将学到:- 业务问题- 使用的LLM和LlamaIndex组件- 分析结果- 您可以使用相似方法解决的其他类似用例。Gen AI – RAG Application Development using LlamaIndex

MP4 | 视频:h264,1280×720 | 音频:AAC,44.1千赫,2通道
语言:英语 | 时长:7小时23分钟 | 大小:3.43 GB

学习LlamaIndex,使用Open AI GPT,Gemini LLM和向量数据库开发RAG应用

你将学到什么
LLM RAG应用开发基础
使用Open AI GPT API开发RAG应用
提示工程 – 为您的RAG应用编写优化的提示
使用LlamaIndex查询引擎,检索器和查询管线
构建对话记忆
使用数据连接器
构建智能代理和工具
语言嵌入和向量数据库
与SQL数据库一起工作
在RAG中使用结构化数据和数据框架
将您的LlamaIndex RAG转换为FAST API

要求
一些Python背景

发表回复

后才能评论