Zum Inhalt springen

Kurskatalog

Vektordatenbanken

Suche nach Bedeutung statt nach Schlüsselwörtern.

Moderne KI-Suche basiert auf Vektoren: Text, Bilder und Code werden zu Punkten in einem hochdimensionalen Raum, in dem Nähe für Ähnlichkeit steht. Lerne zunächst Embeddings und die Modelle kennen, die sie erzeugen, und dann die Distanzmaße, mit denen Ergebnisse sortiert werden. Erfahre, wie ANN-Indizes (HNSW, IVF, Quantisierung) die Suche über Milliarden von Vektoren beschleunigen. Zum Abschluss baust du eine echte semantische und hybride Suche in Postgres mit pgvector und lernst, die passende Suchengine aus Pinecone, Weaviate, Qdrant, Milvus und Chroma auszuwählen.

Starte mit einer kostenlosen LektionAlle Tarife vergleichen

Lehrplan

  1. Abschnitt 1

    Embeddings und Vektoren

    Verwandle Text in Zahlen, die Bedeutung abbilden. Lerne, was ein Embedding ist, wie Bedeutung zu Geometrie wird und welche Modelle sich 2026 anbieten.

    1. Was ist ein Embedding?
    2. Bedeutung als Punkte im Raum
    3. Dimensionen, Token und Vektoren
    4. Ein Embedding-Modell auswählen

  2. Abschnitt 2

    Ähnlichkeit und Abstand

    Sobald Bedeutung zu Geometrie wird, reicht das Messen von Abständen, um Ergebnisse zu sortieren. Lerne Kosinus, Skalarprodukt und L2, die Auswahl des richtigen Maßes und den Fluch der Dimensionalität kennen.

    1. Kosinusähnlichkeit
    2. Skalarprodukt und euklidischer Abstand
    3. Distanzmaß wählen und kNN
    4. Der Fluch der Dimensionalität

  3. Abschnitt 3

    ANN und Indizierung

    Beschleunige die Suche bei großen Datenmengen. Lerne Indizes für die approximative Nächste-Nachbarn-Suche (HNSW, IVF), Quantisierung zur Kompression und die Stellschrauben für Recall und Latenz kennen.

    1. Exakte und approximative Suche
    2. HNSW: der Graphindex
    3. IVF und Clustering
    4. Quantisierung und Abwägungen

  4. Abschnitt 4

    Mit pgvector entwickeln

    Setze echte semantische Suche in Postgres mit pgvector um und lerne dann spezialisierte Suchengines kennen. Vektorspalten, Distanzoperatoren, HNSW-Indizes, Metadatenfilter, hybride Suche und die passende Auswahl.

    1. Spalten und Operatoren
    2. Indizierung und Top-k
    3. Filter und hybride Suche
    4. Eine Vektordatenbank auswählen

Lernpfade

Python- und Datenentwicklung

Analysiere echte Daten und entwickle getestete Werkzeuge, die externe APIs sicher aufrufen und deine eigenen Inhalte durchsuchen – mit Python, Git, SQL und Vektorsuche.

Abfolge aus 10 Kursen

Deine Idee, veröffentlicht. Starte in 60 Sekunden.

7 Tage kostenlos testen bei jedem Tarif für neue Mitglieder · Jederzeit kündbar

Loslegen

Zurück zu den Kursen