【Udemy中英字幕】Advance RAG : Vector to Graph RAG Neo4j Adaptive AutoGen RAG

高级 RAG：矢量到图形 RAG Neo4j Adaptive AutoGen RAG

概念和动手矢量 RAG、图形 RAG、自反射 RAG。带有 Streamlit LangChain、Neo4J、Agent RAG 的 RAG

讲师：Soumen Kumar Mondal

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

RAG（检索增强生成）和 NLP 的基础知识：了解核心概念，以构建 NLP 和 RAG 的坚实基础。
了解 NLP 的过程，如标记化、嵌入、POS、TF-IDF、分块等。
了解从基于规则到 Transformer 模型的 NLP 模型的评估。
通过简单的 RAG 示例理解变压器模型。
使用 Python 和 VS Code 实际实现 RAG 应用程序的环境设置
学习使用 Streamlit 聊天机器人、langchain 和 vectordb 构建基于向量的 RAG 应用程序。
通过 Graph RAG、LLM 和 Streamlit 聊天机器人学习高级 RAG 技术。了解如何设置 Neo4j、创建 Graph RAG、在聊天机器人中显示图表。
使用 Graph RAG 学习高级 RAG 和混合搜索技术。使用 Langgraph 学习自反射 RAG。使用 RAG 的 Python 代码进行实际用例。
使用 cohere API 对 RAG 重新排序，以改进 RAG 的检索过程。
RAG 上的实际用例。
通过测验检查学习情况。
使用 Autogen 构建基于代理的 RAG 应用程序。Agentic RAG。

探索相关主题

检索增强生成 (RAG)
其他 IT 和软件
信息技术与软件

要求

无需先前的 RAG 经验。
非常基本的 Python 知识将会有所帮助。
不用担心没有 Python 知识，您还将学习如何实现 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、想要使用 RAG 构建实际应用程序的学生而设计，范围从简单的矢量 RAG 聊天机器人到具有 Graph RAG 和 Self Reflective RAG 的高级聊天机器人。您将探索 RAG 的理论基础、实际实现和实际用例。到本课程结束时，您将掌握创建基于 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