Struttura del corso

Introduzione

  • Cosa sono le basi di dati vettoriali?
  • Basi di dati vettoriali vs database tradizionali
  • Panoramica degli embedding vettoriali

Generazione di Embedding Vettoriali

  • Tecniche per creare embedding da vari tipi di dati
  • Strumenti e librerie per la generazione di embedding
  • Best practices per la qualità degli embedding e la dimensionalità

Indicizzazione e Recupero nelle Basi di Dati Vettoriali

  • Strategie di indicizzazione per le basi di dati vettoriali
  • Costruzione e ottimizzazione degli indici per la prestazione
  • Algoritmi di ricerca di similarità e loro applicazioni

Basi di Dati Vettoriali nel Machine Learning (ML)

  • Integrazione delle basi di dati vettoriali con modelli ML
  • Risoluzione dei problemi comuni quando si integra una base di dati vettoriale con modelli ML
  • Caso d'uso: sistemi di raccomandazione, recupero di immagini, NLP
  • Studi di caso: implementazioni di successo delle basi di dati vettoriali

Scalabilità e Prestazione

  • Sfide nella scalabilità delle basi di dati vettoriali
  • Tecniche per le basi di dati vettoriali distribuite
  • Metriche di prestazione e monitoraggio

Lavoro sul Progetto e Studi di Caso

  • Progetto pratico: implementazione di una soluzione a base di dati vettoriale
  • Revisione delle ultime ricerche e applicazioni avanzate
  • Presentazioni di gruppo e feedback

Riepilogo e Passi Successivi

Requisiti

  • Conoscenze di base sui database e sulle strutture dati
  • Familiarità con i concetti del machine learning
  • Esperienza con un linguaggio di programmazione (preferibilmente Python)

Pubblico Target

  • Data scientists
  • Ingegneri del machine learning
  • Sviluppatori software
  • Amministratori di database
 14 Ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative