Practical Retrieval Augmented Generation 向您展示了如何改进现有的大型语言模型，使它们能够访问不属于其原始训练数据的其他信息。

关于讲师：

Sinan Ozdemir 是 LoopGenius 的创始人兼首席技术官，他使用最先进的 AI 来帮助人们创建和运营他们的业务。Sinan 曾是约翰霍普金斯大学数据科学讲师，也是多本数据科学和机器学习教科书的作者。此外，他还是最近收购的 Kylie.ai 的创始人，这是一个具有 RPA 功能的企业级对话式 AI 平台。Sinan 拥有约翰霍普金斯大学的纯数学硕士学位，常驻加利福尼亚州旧金山。

了解如何：

• 了解不同类型的 LLMs RAG 以及它们如何适应 RAG
• 使用矢量数据库和多个嵌入器构建 RAG 应用程序
• 测试不同的生成器，如 GPT-4o、Claude、Command-R 等
• 构建您自己的 API 以运行 RAG
• 演示基于 RAG 工作的聊天应用程序
• 利用 GraphRAG 等高级技术

谁应该参加本课程：

对提高其LLMs

课程要求：

• 精通 Python 3，具有一些在交互式 Python 环境中工作的经验，包括 Notebooks （Jupyter/Google Colab/Kaggle Kernels）
• 熟悉使用 Pandas 库和 Python
• 了解 ML/深度学习基础知识，包括训练/测试拆分、损失/成本函数和梯度下降

课程描述：

第 1 课。检索增强生成简介。

第 1 课介绍了检索增强生成系统的核心组件，以及它们如何协同工作，以使用实时和动态数据创建无缝的用户体验。

第 2 课。构建基础

第 2 课涵盖了不同的LLMs以及它们来自家谱的哪个部分。无论它们是自动编码模型，快速读取器，还是自回归模型，那些知道如何编写的模型，每个模型都将在您的 RAG 系统中占有一席之地。

第 3 课。高级提示工程技术

提出一个问题LLM很容易，但要让它可靠、一致且准确地解决任务可能是一个挑战。第 3 课重点介绍一个好的提示的核心组成部分，揭示了语言模型如何思考任务，以及我们如何要求它完成这些任务并快速迭代我们的提示。在课程结束时，您将知道如何从几乎任何生成式 AI 中获得最一致和可靠的结果。

第 4 课。开发 RAG 系统

本课将把你目前看到的所有组件放在一个应用程序中，我们可以对其进行端到端测试，以便对聊天机器人的运行情况进行初步的直觉检查。它还揭示了到目前为止，我们对该系统如何大规模工作实际上知之甚少，这为LLM后面的评估打开了大门。本课还介绍了开源嵌入器和生成器的世界，以及它们如何与闭源同类产品相抗衡。

第 5 课。评估和测试 RAG 系统

在本课中，直觉检查的概念被抛在脑后，用于实际量化检索器准确、精确和能够回忆相关文档的含义，同时判断生成器的安全和对话以及忽略噪音的能力。您还将看到评估系统生成器的不同方法，以保持它们的诚实和有用。

第 6 课。扩展和应用 RAG 系统

最后一课通过微调开源嵌入器来探索检索增强生成的前沿，研究重新排序系统如何支持您的检索组件，并展示知识图谱如何通过构建 GraphRAG 系统来使用动态、实时和透明的结构化数据来增强最简单的 RAG 应用程序。