Plan du cours

Introduction

  • Qu'est-ce que les bases de données vectorielles ?
  • Bases de données vectorielles vs bases de données traditionnelles
  • Aperçu des plongements vectoriels

Génération de plongements vectoriels

  • Techniques pour créer des plongements à partir de divers types de données
  • Outils et bibliothèques pour la génération de plongements
  • Bonnes pratiques pour la qualité des plongements et la dimensionnalité

Indexation et récupération dans les bases de données vectorielles

  • Stratégies d'indexation pour les bases de données vectorielles
  • Création et optimisation des index pour la performance
  • Algorithmes de recherche de similarité et leurs applications

Bases de données vectorielles en apprentissage automatique (ML)

  • Intégration des bases de données vectorielles avec les modèles ML
  • Dépannage des problèmes courants lors de l'intégration des bases de données vectorielles avec les modèles ML
  • Cas d'utilisation : systèmes de recommandation, recherche d'images, TALN
  • Études de cas : implémentations réussies des bases de données vectorielles

Évolutivité et performance

  • Défis de l'évolutivité des bases de données vectorielles
  • Techniques pour les bases de données vectorielles distribuées
  • Métriques de performance et surveillance

Travail de projet et études de cas

  • Projet pratique : mise en œuvre d'une solution de base de données vectorielle
  • Revue des recherches et applications de pointe
  • Présentations de groupe et feedback

Résumé et prochaines étapes

Pré requis

  • Connaissances de base des bases de données et des structures de données
  • Familiarité avec les concepts d'apprentissage automatique
  • Expérience avec un langage de programmation (préféablement Python)

Public cible

  • Data scientists
  • Ingénieurs en apprentissage automatique
  • Développeurs logiciels
  • Administrateurs de bases de données
 14 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires