![[Udemy]高级 RAG：向量图谱 RAG、LangChain、Neo4j 和自动生成 RAG | Advance RAG : Vector Graph RAG LangChain Neo4j AutoGen RAG](https://www.feifeiziyuan.com/wp-content/uploads/2024/11/6111159_da9f_3-300x200.webp)
高级 RAG：向量图谱 RAG、LangChain、Neo4j 和自动生成 RAG
Advance RAG : Vector Graph RAG LangChain Neo4j AutoGen RAG
概念和动手实践矢量 RAG、图形 RAG、自反射 RAG。带有 Streamlit LangChain、Neo4J、代理 RAG 的 RAG
学习内容
-
RAG（检索增强生成）和 NLP 的基础知识：了解核心概念以建立 NLP 和 RAG 的坚实基础。
-
了解 NLP 的过程，如分词、嵌入、POS、TF-IDF、分块等。
-
了解 NLP 模型的评估，从基于规则的模型到 Transformer 模型。
-
通过简单的 RAG 示例理解变压器模型。
-
使用 Python 和 VS Code 动手实现 RAG 应用程序的环境设置
-
学习使用 Streamlit 聊天机器人、langchain 和 vectordb 构建基于矢量的 RAG 应用程序。
-
使用 Graph RAG、LLM。了解如何设置 Neo4j、创建 Graph RAG、在聊天机器人中显示图形。
-
学习使用 Graph RAG 通过混合搜索技术进阶 RAG。使用 Langgraph 学习自反射 RAG。使用 RAG 的 python 代码的实际用例。
-
使用 cohere API 对 RAG 进行重新排序，以改进 RAG 的检索过程。
-
RAG 上的实际用例。
-
检查学习情况的测验。
-
使用 Autogen 构建基于代理的 RAG 应用程序。代理 RAG。
要求
-
无需任何 RAG 经验。
-
非常基本的 python 知识会有所帮助。
-
不用担心，没有 python 知识，您也将学习如何实现 RAG 聊天机器人。
描述
在本课程中，您将学习如何掌握检索增强生成 （RAG），这是一种将基于检索的方法与生成模型相结合的尖端 AI 技术。本课程专为开发人员、数据科学家和 AI 爱好者、质量工程师、希望使用 RAG 构建实际应用程序的学生而设计，从简单的矢量 RAG 聊天机器人到带有图形 RAG 和自反射 RAG 的高级聊天机器人。您将探索 RAG 的理论基础、实际实施和实际用例。在本课程结束时，您将具备创建基于 RAG 的 AI 应用程序的技能。
完成课程后，您将能够使用 Streamlit、LangChain、LangGraph、Groq API 等使用多种 RAG 技术创建聊天机器人。除此之外，您还将学习基础知识和概念。
课程目标
-
了解 RAG 和 NLP 的基本概念。
-
通过分词化、分块、TF-IDF、嵌入等示例了解 NLP 的概念。
-
了解 NLP 模型的评估，从基于规则的模型到 transformer 模型。
-
通过示例了解变压器模型和组件。
-
用于实际实施的环境设置。
-
使用 Streamlit 和 Langchain 构建第一个聊天机器人。
-
使用 Groq API 的 Streamlit 聊天机器人构建矢量 RAG。
-
了解 Graph RAG 并使用 Neo4j 实现 Graph RAG。
-
了解自反射或自适应 RAG 并使用 LangGraph 进行实施。
-
RAG 的实际用例。
-
重新排序 RAG 技术
-
代理 RAG 或基于代理的 RAG。AutoGen RAG.
-
通过测验检查您的理解。
让我们深入了解 RAG 的世界来了解它。
本课程适合谁：
- 数据科学家
- 机器学习工程师
- AI 和 NLP 爱好者
- 开发人员和软件工程师
- 研究人员和学者
- 产品经理和技术主管
- 学生和学习者
- AI 从业者和顾问
- 质量工程师
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
评论(0)