Перейти к содержимому

Каталог курсов

Векторные базы данных

Ищите по смыслу, а не по ключевым словам.

Современный ИИ-поиск работает на векторах: текст, изображения и код превращаются в точки многомерного пространства, где близость означает сходство. Начните с эмбеддингов и моделей, которые их создают, изучите метрики расстояния для ранжирования результатов, затем освойте ANN-индексы (HNSW, IVF, квантование), ускоряющие поиск по миллиардам векторов. В завершение создайте настоящий семантический и гибридный поиск в Postgres с pgvector и научитесь выбирать подходящий движок среди Pinecone, Weaviate, Qdrant, Milvus и Chroma.

Начните с бесплатного урокаСравнить все тарифы

Программа курса

  1. Раздел 1

    Эмбеддинги и векторы

    Превратите текст в числа, которые передают смысл. Узнайте, что такое эмбеддинг, как смысл становится геометрией и какие модели выбирать в 2026 году.

    1. Что такое эмбеддинг?
    2. Смысл как точки в пространстве
    3. Размерность, токены и векторы
    4. Выбор модели эмбеддингов

  2. Раздел 2

    Сходство и расстояние

    Когда смысл становится геометрией, ранжирование результатов сводится к измерению расстояния. Изучите косинусное сходство, скалярное произведение и L2, выбор метрики и проклятие размерности.

    1. Косинусное сходство
    2. Скалярное произведение и L2
    3. Выбор метрики и kNN
    4. Проклятие размерности

  3. Раздел 3

    ANN и индексация

    Ускорьте поиск на больших объёмах. Изучите индексы приближённого поиска ближайших соседей (HNSW, IVF), квантование для сжатия и настройку баланса полноты поиска и задержки.

    1. Точный и приближённый поиск
    2. HNSW: графовый индекс
    3. IVF и кластеризация
    4. Квантование и компромиссы

  4. Раздел 4

    Практика с pgvector

    Создайте настоящий семантический поиск в Postgres с pgvector, затем познакомьтесь со специализированными движками. Векторные столбцы, операторы расстояния, HNSW-индексы, фильтры метаданных, гибридный поиск и выбор решения.

    1. Столбцы и операторы
    2. Индексация и top-k
    3. Фильтры и гибридный поиск
    4. Выбор векторной базы данных

Учебные треки

Python-разработчик: работа с данными

Анализируйте реальные данные и создавайте протестированные инструменты, которые безопасно обращаются к внешним API и ищут по вашим материалам, используя Python, Git, SQL и векторный поиск.

Курсов в программе: 10

Оживите свою идею. Начните за 60 секунд.

7 дней бесплатно на любом тарифе для новых участников · Отмена в любой момент

Начать

К курсам