Aller au contenu

Catalogue de cours

Bases de données vectorielles

Recherchez par le sens, au-delà des mots-clés.

La recherche moderne par IA repose sur les vecteurs : textes, images et code deviennent des points dans un espace à nombreuses dimensions, où proximité rime avec similarité. Découvrez les représentations vectorielles et les modèles qui les produisent, étudiez les mesures de distance qui classent les résultats, puis maîtrisez les index ANN (HNSW, IVF, quantification) qui accélèrent la recherche parmi des milliards de vecteurs. Enfin, créez une véritable recherche sémantique et hybride dans Postgres avec pgvector et apprenez à choisir le moteur adapté parmi Pinecone, Weaviate, Qdrant, Milvus et Chroma.

Commencer par une leçon gratuiteComparer toutes les offres

Programme

  1. Section 1

    Représentations vectorielles et vecteurs

    Transformez le texte en nombres porteurs de sens. Découvrez ce qu’est une représentation vectorielle, comment le sens devient géométrie et quels modèles choisir en 2026.

    1. Qu’est-ce qu’une représentation vectorielle ?
    2. Le sens sous forme de points
    3. Dimensions, jetons et vecteurs
    4. Choisir un modèle de représentations vectorielles

  2. Section 2

    Similarité et distance

    Une fois le sens traduit en géométrie, classer les résultats revient à mesurer des distances. Découvrez le cosinus, le produit scalaire et L2, comment choisir la bonne mesure et le fléau de la dimension.

    1. Similarité cosinus
    2. Produit scalaire et distance euclidienne
    3. Choisir une mesure et utiliser kNN
    4. Le fléau de la dimension

  3. Section 3

    ANN et indexation

    Accélérez la recherche à grande échelle. Découvrez les index de recherche approximative des plus proches voisins (HNSW, IVF), la quantification pour compresser et le réglage du compromis entre rappel et latence.

    1. Recherche exacte ou approximative
    2. HNSW : l’index en graphe
    3. IVF et regroupement
    4. Quantification et compromis

  4. Section 4

    Construire avec pgvector

    Créez une véritable recherche sémantique dans Postgres avec pgvector, puis découvrez les moteurs dédiés. Colonnes vectorielles, opérateurs de distance, index HNSW, filtres de métadonnées, recherche hybride et critères de choix.

    1. Colonnes et opérateurs
    2. Indexation et k meilleurs résultats
    3. Filtres et recherche hybride
    4. Choisir une base vectorielle

Parcours d’apprentissage

Développement Python et données

Analysez des données réelles et créez des outils testés qui communiquent avec des API externes en toute sécurité et recherchent dans vos contenus, avec Python, Git, SQL et la recherche vectorielle.

Suite de 10 cours

Votre idée en ligne. Commencez en 60 secondes.

Essai gratuit de 7 jours avec chaque offre pour les nouveaux membres · Résiliation à tout moment

Commencer

Retour aux cours