Скачать [Stepik] Vector DB & RAG Developer [Алексей Малышкин]

[Kail]

Ссылка на картинку

Vector DB & RAG Developer

Практический курс по векторным базам данных и семантическому поиску. Вы развернёте Qdrant, Weaviate и FAISS, научитесь индексировать миллионы эмбеддингов, строить k-NN-поиск с фильтрами, объединять его с BM-25 и создавать RAG-ботов, которые отвечают на вопросы на основе ваших данных.

Чему вы научитесь:

• Пояснять, как работают эмбеддинги и к-NN-поиск
• Разворачивать Qdrant, Weaviate и FAISS локально и в Docker
• Загружать и хранить миллионы векторов, не теряя производительность
• Настраивать фильтрацию и гибридный поиск (BM25 + ANN)
• Реализовывать мультимодальный поиск (текст изображение) с CLIP
• Строить RAG-чат-ботов, дополняющих LLM свежими фактами из базы
• Метриками Recall@K и nDCG измерять качество выдачи
• Автоматизировать CI/CD пайплайн для поиска с GitHub Actions
• Оптимизировать индексы под CPU и GPU, выбирая HNSW, IVF или PQ
• Оценивать, когда выбрать облако (Pinecone, Qdrant Cloud) vs on-prem

О курсе:

Vector DB & RAG Developer — практический маршрут от «что такое эмбеддинги?» до production-чат-бота, отвечающего на вопросы из вашей корпоративной базы знаний.

За несколько недель вы:

• развернёте Qdrant, Weaviate и FAISS локально и в Docker/Cloud;
• создадите коллекции на миллионы векторов, подберёте правильный индекс (HNSW, IVF-PQ, ScaNN);
• настроите гибридный поиск (BM25 + ANN) и мультимодальный поиск с CLIP;
• подключите базу к LLM (OpenAI/GPT-4o, Mistral, Llama) и реализуете RAG-архитектуру;
• измерите качество выдачи (Recall@K, nDCG) и построите автоматические тесты;
• оформите CI/CD пайплайн: тесты → Docker → GitHub Actions → prod;
• защитите проект от «векторного взрыва» (sharding, фильтры, дедупликация).
• Итог — готовый репозиторий с API для семантического поиска и RAG-бот, которого можно деплоить на Render, Railway или собственный сервер.
• Вы можете задать любой вопрос по курсу в телеграмм @alexey_stepik

Для кого этот курс:

• ML / Data-инженеры, которым нужен быстрый поиск по embeddings.
• Backend-разработчики, добавляющие умный поиск или чат-бота в продукт.
• DS/Analytics-junior — хотите прокачать портфолио проектом на LLM.
• Техлиды / CTO, выбирающие стек для корпоративного knowledge-base.
• Стартапы, где «Google-поиск по документам» и RAG-бот экономят поддержку.

Начальные требования:

• Запускать скрипт python main.py, ставить пакеты pip install …
• Переходить между папками (cd), копировать-вставлять команды
• Склонировать репозиторий git clone … — всё остальное покажем

Автор Алексей Малышкин:

• Аналитик-разработчик с опытом работы в крупных компаниях.
• Победитель олимпиад по математике, программированию и анализу данных.

Показать больше