Schulungsübersicht

Einführung

  • Was sind Vector-Datenbanken?
  • Vector-Datenbanken im Vergleich zu traditionellen Datenbanken
  • Überblick über Vektorembeddings

Erzeugung von Vektorembeddings

  • Techniken zum Erstellen von Embeddings aus verschiedenen Datentypen
  • Tools und Bibliotheken zur Erzeugung von Embeddings
  • Best Practices für die Qualität und Dimensionalität von Embeddings

Indizierung und Abruf in Vector-Datenbanken

  • Indizierungsstrategien für Vector-Datenbanken
  • Erstellen und Optimieren von Indizes für die Leistungsfähigkeit
  • Ähnlichkeitssuchalgorithmen und ihre Anwendungen

Vector-Datenbanken im maschinellen Lernen (ML)

  • Integration von Vector-Datenbanken in ML-Modelle
  • Behandlung häufig auftretender Probleme bei der Integration von Vector-Datenbanken in ML-Modelle
  • Anwendungsfälle: Empfehlungssysteme, Bildsuche, NLP
  • Fallstudien: erfolgreiche Implementierungen von Vector-Datenbanken

Skalierung und Leistungsfähigkeit

  • Herausforderungen bei der Skalierung von Vector-Datenbanken
  • Techniken für verteilte Vector-Datenbanken
  • Leistungsmetriken und Überwachung

Projektarbeit und Fallstudien

  • Praktisches Projekt: Implementierung einer Vector-Datenbank-Lösung
  • Überblick über neueste Forschungsarbeiten und Anwendungen
  • Gruppenpräsentationen und Feedback

Zusammenfassung und weitere Schritte

Voraussetzungen

  • Grundkenntnisse von Datenbanken und Datenstrukturen
  • Kenntnis der Konzepte des maschinellen Lernens
  • Erfahrung mit einer Programmiersprache (vorzugsweise Python)

Zielgruppe

  • Datenwissenschaftler
  • Ingenieure für maschinelles Lernen
  • Softwareentwickler
  • Datenbankadministratoren
 14 Stunden

Teilnehmerzahl


Preis pro Teilnehmer

Kommende Kurse

Verwandte Kategorien