|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/gen-ai-rag-application-development-using-llamaindex/
课程评论：没有评论
课程名称：生成 AI - 使用 LlamaIndex 开发 RAG 应用程序 课程概述： 本课程旨在帮助您通过理论与实践相结合的方式，学习如何构建 LLM RAG 应用程序，使用 Open AI GPT 和 Google Gemini APIs，LlamaIndex LLM 框架以及 ChromaDB 和 Pinecone 等向量数据库。课程涵盖了理解 LLM RAG 应用和框架的基本方面，如代理、工具、查询管道、检索器和查询引擎。课程深入探讨了语言嵌入和向量数据库的概念，以帮助您开发高效的语义搜索和基于语义相似性的 RAG 应用程序。同时，我们还将介绍多种提示工程技术，以提升 RAG 应用程序的效率。 项目/实操列表： 1. 基础 RAG：使用 VectorStore、Retriever、Nodepostprocessor、ResponseSynthesizer 和 Query Engine 与多个 PDF 文档聊天。 2. ReAct 代理：使用 ReAct 代理和工具创建计算器。 3. 动态工具文档代理：动态创建多个 QueryEngineTools，并通过代理进行查询的协调。 4. 语义相似性：尝试语义相似性操作并获取相似性评分。 5. 顺序查询管道：创建简单的顺序查询管道。 6. DAG 管道：开发复杂的 DAG 管道。 7. 数据帧管道：使用 Pandas 输出解析器和响应合成器开发复杂的数据帧分析管道。 8. 与 SQL 数据库的工作：使用多种方法开发 SQL 数据库导入机器人。 每个项目中，您将学习： - 业务问题 - 使用的 LLM 和 LlamaIndex 组件 - 分析结果 - 其他可以用类似方法解决的用例 这个课程将为您提供构建高效的 LLM RAG 应用程序所需的知识和实践技能。
This course uses Open AI GPT and Google Gemini APIs, LlamaIndex LLM Framework and Vector Databases like ChromaDB and Pinecone, and is intended to help you learn how to build LLM RAG applications through solid conceptual and hands-on sessions. This course covers all the basic aspects to learn LLM RAG apps and Frameworks like Agents, Tools, QueryPipelines, Retrievers, Query Engines in a crisp and clear manner. It also takes a dive into concepts of Language Embeddings and Vector Databases to help you develop efficient semantic search and semantic similarity based RAG Applications. We will also cover multiple Prompt Engineering techniques that will help make your RAG Applications more efficient. List of Projects/Hands-on included:Basic RAG: Chat with multiple PDF documents using VectorStore, Retriever, Nodepostprocessor, ResponseSynthesizer and Query Engine.ReAct Agent: Create a Calculator using a ReAct Agent and Tools.Document Agent with Dynamic Tools: Create multiple QueryEngineTools dynamically and Orchestrate queries through Agent.Semantic Similarity: Try Semantic Similarity operations and get Similarity Score. Sequential Query Pipeline: Create Simple Sequential Query Pipeline.DAG Pipeline: Develop complex DAG Pipelines.Dataframe Pipeline: Develop complex Dataframe Analysis Pipelines with Pandas Output Parser and Response Synthesizer. Working with SQL Databases: Develop SQL Database ingestion bots using multiple approaches. For each project, you will learn:- The Business Problem- What LLM and LlamaIndex Components are used- Analyze outcomes- What are other similar use cases you can solve with a similar approach.
