Schulungsübersicht

Einführung

  • Was sind Vektordatenbanken?
  • Vektordatenbanken vs traditionelle Datenbanken
  • Überblick über Vektor-Einbettungen

Generierung von Vektor-Einbettungen

  • Techniken zur Erstellung von Einbettungen aus verschiedenen Datentypen
  • Tools und Bibliotheken für die Generierung von Einbettungen
  • Best Practices für Qualität und Dimensionalität von Einbettungen

Indizierung und Abruf in Vector Databases

  • Indizierungsstrategien für Vektordatenbanken
  • Erstellen und Optimieren von Indizes zur Leistungssicherung
  • Ähnlichkeits-Suchalgorithmen und ihre Anwendungen

Vector Databases in Machine Learning (ML)

  • Integration von Vektordatenbanken mit ML-Modellen
  • Fehlersuche bei der Integration von Vektordatenbanken mit ML-Modellen
  • Anwendungsbeispiele: Empfehlungssysteme, Bildabruf, NLP
  • Fallstudien: Erfolgreiche Implementierungen von Vektordatenbanken

Skalierung und Leistung

  • Herausforderungen bei der Skalierung von Vektordatenbanken
  • Techniken für verteilte Vektordatenbanken
  • Leistungsindikatoren und Überwachung

Projektarbeit und Fallstudien

  • Praxisprojekt: Implementierung einer Lösung mit Vektordatenbank
  • Überprüfung neuester Forschungen und Anwendungen
  • Gruppenpräsentationen und Rückmeldungen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundwissen über Datenbanken und Datenstrukturen
  • Vertrautheit mit Machine-Learning-Konzepten
  • Erfahrung mit einer Programmiersprache (vorzugsweise Python)

Zielgruppe

  • Datenwissenschaftler
  • Machine-Learning-Engineer
  • Softwareentwickler
  • Database-Administratoren
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien