Капоне
Администратор
- Регистрация
- 1 Апр 2015
- Сообщения
- 153.865
- Реакции
- 465.805
Складчина: Vector DB & RAG Developer [Stepik] [Алексей Малышкин]
Чему вы научитесь:
Пояснять, как работают эмбеддинги и к-NN-поиск
Разворачивать Qdrant, Weaviate и FAISS локально и в Docker
Загружать и хранить миллионы векторов, не теряя производительность
Настраивать фильтрацию и гибридный поиск (BM25 + ANN)
Реализовывать мультимодальный поиск (текст ↔ изображение) с CLIP
Строить RAG-чат-ботов, дополняющих LLM свежими фактами из базы
Метриками Recall@K и nDCG измерять качество выдачи
Автоматизировать CI/CD пайплайн для поиска с GitHub Actions
Оптимизировать индексы под CPU и GPU, выбирая HNSW, IVF или PQ
Оценивать, когда выбрать облако (Pinecone, Qdrant Cloud) vs on-prem
О курсе:
Vector DB & RAG Developer — практический маршрут от «что такое эмбеддинги?» до production-чат-бота, отвечающего на вопросы из вашей корпоративной базы знаний.
За несколько недель вы:
развернёте Qdrant, Weaviate и FAISS локально и в Docker/Cloud;
создадите коллекции на миллионы векторов, подберёте правильный индекс (HNSW, IVF-PQ, ScaNN);
настроите гибридный поиск (BM25 + ANN) и мультимодальный поиск с CLIP;
подключите базу к LLM (OpenAI/GPT-4o, Mistral, Llama) и реализуете RAG-архитектуру;
измерите качество выдачи (Recall@K, nDCG) и построите автоматические тесты;
оформите CI/CD пайплайн: тесты → Docker → GitHub Actions → prod;
защитите проект от «векторного взрыва» (sharding, фильтры, дедупликация).
Итог — готовый репозиторий с API для семантического поиска и RAG-бот, которого можно деплоить на Render, Railway или собственный сервер.
Вы можете задать любой вопрос по курсу в телеграмм @alexey_stepik
Для кого этот курс:
ML / Data-инженеры, которым нужен быстрый поиск по embeddings.
Backend-разработчики, добавляющие умный поиск или чат-бота в продукт.
DS/Analytics-junior — хотите прокачать портфолио проектом на LLM.
Техлиды / CTO, выбирающие стек для корпоративного knowledge-base.
Стартапы, где «Google-поиск по документам» и RAG-бот экономят поддержку.
Начальные требования:
Запускать скрипт python main.py, ставить пакеты pip install …
Переходить между папками (cd), копировать-вставлять команды
Склонировать репозиторий git clone … — всё остальное покажем
Автор Алексей Малышкин
Аналитик-разработчик с опытом работы в крупных компаниях.
Победитель олимпиад по математике, программированию и анализу данных.
Цена 5990 руб.
СЛИВЫ КУРСОВ
Чему вы научитесь:
Пояснять, как работают эмбеддинги и к-NN-поиск
Разворачивать Qdrant, Weaviate и FAISS локально и в Docker
Загружать и хранить миллионы векторов, не теряя производительность
Настраивать фильтрацию и гибридный поиск (BM25 + ANN)
Реализовывать мультимодальный поиск (текст ↔ изображение) с CLIP
Строить RAG-чат-ботов, дополняющих LLM свежими фактами из базы
Метриками Recall@K и nDCG измерять качество выдачи
Автоматизировать CI/CD пайплайн для поиска с GitHub Actions
Оптимизировать индексы под CPU и GPU, выбирая HNSW, IVF или PQ
Оценивать, когда выбрать облако (Pinecone, Qdrant Cloud) vs on-prem
О курсе:
Vector DB & RAG Developer — практический маршрут от «что такое эмбеддинги?» до production-чат-бота, отвечающего на вопросы из вашей корпоративной базы знаний.
За несколько недель вы:
развернёте Qdrant, Weaviate и FAISS локально и в Docker/Cloud;
создадите коллекции на миллионы векторов, подберёте правильный индекс (HNSW, IVF-PQ, ScaNN);
настроите гибридный поиск (BM25 + ANN) и мультимодальный поиск с CLIP;
подключите базу к LLM (OpenAI/GPT-4o, Mistral, Llama) и реализуете RAG-архитектуру;
измерите качество выдачи (Recall@K, nDCG) и построите автоматические тесты;
оформите CI/CD пайплайн: тесты → Docker → GitHub Actions → prod;
защитите проект от «векторного взрыва» (sharding, фильтры, дедупликация).
Итог — готовый репозиторий с API для семантического поиска и RAG-бот, которого можно деплоить на Render, Railway или собственный сервер.
Вы можете задать любой вопрос по курсу в телеграмм @alexey_stepik
Для кого этот курс:
ML / Data-инженеры, которым нужен быстрый поиск по embeddings.
Backend-разработчики, добавляющие умный поиск или чат-бота в продукт.
DS/Analytics-junior — хотите прокачать портфолио проектом на LLM.
Техлиды / CTO, выбирающие стек для корпоративного knowledge-base.
Стартапы, где «Google-поиск по документам» и RAG-бот экономят поддержку.
Начальные требования:
Запускать скрипт python main.py, ставить пакеты pip install …
Переходить между папками (cd), копировать-вставлять команды
Склонировать репозиторий git clone … — всё остальное покажем
Автор Алексей Малышкин
Аналитик-разработчик с опытом работы в крупных компаниях.
Победитель олимпиад по математике, программированию и анализу данных.
Цена 5990 руб.
СЛИВЫ КУРСОВ
Для просмотра скрытого содержимого вы должны зарегистрироваться
Возможно, Вас ещё заинтересует:
- Расчёт многоэтажного здания из монолитного железобетона. Продвинутый уровень. Лира-САПР и Сапфир [Юсеф Муссауи]
- [Вязание] Эффектный кардиган с интересными деталями Patch, вязаный спицами сверху [Вяжи.ру] [Mingbi Luo]
- Аналитика по рынку РФ и США (ноябрь 2026 - апрель 2027) [Invest Heroes] [Сергей Пирогов]
- [PSD] Коллаж Ёлочный базар [nezabudka]
- Практическое руководство по изучению книг Франца Бардона [Рон Кларк]
- Все хорошо (перевод) [Роуз Лоуренс]