Систематическое улучшение RAG-приложений - курс перевод на русский
Logo

🎙️ Курсы на английском — смотрите с русской или оригинальной озвучкой и субтитрами

🎓

Единая подписка на два сервиса

Оформите PRO подписку на сайте Learn Free Courses и получите доступ ко всем премиум курсам здесь + безлимитный перевод видео на Udemy через расширение Udemy Translator.

Оформить подписку

✨ Что вы получаете:

  • ✓ Все премиум курсы с русской озвучкой
  • ✓ Материалы, субтитры, конспекты
  • ✓ Безлимитный перевод видео (Udemy Translator PRO)
  • ✓ Одна подписка — два сервиса

📋 Как активировать:

  1. Оформите подписку на сайте Learn Free Courses
  2. Скопируйте API ключ из профиля на том сайте
  3. Вставьте ключ в настройках профиля здесь
Курс перевод на русский

Систематическое улучшение RAG-приложений

Оригинал: Systematically Improving RAG Applications

31 ч 53 мин LLM 54 уроков Уроки на русском языке 🎤 Новый перевод
Оригинальный источник

Скачать курс по LLM. Систематическое улучшение RAG-приложений

Нужен архив курса целиком?

Мы отправим ссылку на полный архив с оригиналом, переводом и материалами. Просто напишите администратору info@russiancourses.net и укажите, что именно нужно (можем поделиться вариантами отдельно).

Пропущены номера уроков?

Если в нумерации есть паузы, значит часть занятий текстовые или в виде файлов. Их можно найти в разделе «Материалы курса»: скачайте архив, чтобы получить все конспекты и дополнительные задания.

Превью: 01. Лекция 0 Введение

Превью: 01. Лекция 0 Введение

Это первый урок курса "Систематическое улучшение RAG-приложений". Зарегистрируйтесь и оформите подписку для доступа ко всем 54 урокам.

Регистрация Войти Оформить подписку

Раздел

О курсе на русском языке

31 ч 53 мин 54 уроков LLM
Практическая система превращения RAG-прототипов в надёжные продакшн-решения 🔁

Курс посвящён переходу от демонстрационных RAG-систем, которые работают только на простых примерах, к масштабируемым и устойчивым приложениям, способным корректно обрабатывать сложные запросы и приносить реальную бизнес-ценность.
Вы узнаете, как:

  • 🧪 Выявлять слабые места поиска с помощью синтетических оценок
  • 📈 Улучшать качество эмбеддингов и ранжирования на 20–40%
  • 🗂 Сегментировать запросы для приоритизации самых важных улучшений
  • 🖼 Строить мультимодальные индексы для документов, таблиц и изображений
  • 🤖 Автоматически направлять запросы к оптимальному ретриверу
Что входит в курс:

  • 📊 Анализ качества retrieval с использованием precision, recall и MRR
  • 🧩 Построение наборов данных для оценки с помощью LLM
  • ⚙️ Создание и сравнение разных поисковых реализаций
  • 🔀 Комбинирование лексического, семантического и метаданных-поиска
  • 🔁 Построение циклов обратной связи для непрерывного улучшения
Курс строится вокруг повторяемого процесса улучшения RAG-архитектур, основанного на измеримых метриках, экспериментах и постепенном накоплении качества.
Подходит для инженеров, дата-сайентистов и продукт-лидеров, которые хотят вывести свои RAG-системы на продакшн-уровень и сделать их надёжной частью продукта.

Сводка

Информация о курсе

Категория

LLM

Длительность

1913 мин

Уроки

54 уроков

Материалы

1 файл

Назад к курсам

  • 1. 01. Лекция 0 Введение

    RU

  • 2. 02. Лекция 1 Синтетические данные, Сделай вид и достигай

  • 3. 03. Неделя 1 Синтетические вопросы Описание

  • 4. 04. Неделя 1.2: Сравнительный анализ поиска

  • 5. 05. Неделя 1 3 Статистическая валидация

  • 6. 06. Введение

  • 7. 07. Часы работы офиса

  • 8. 08. Понимание эффективности встраивания через генеративные оценки

  • 9. 09. Семантический поиск в Интернете с Exa

  • 10. 010. Консультации 22 мая

  • 11. 011. Необязательные занятия

  • 12. 012. Онлайн оценка и мониторинг производства

  • 13. 013. Данные решают всё: поиск иголок в мультиформатных стогах сена

  • 14. 014. Час консультаций Неделя 2

  • 15. 015. Консультация Неделя 2, 29 мая

  • 16. 016. Дополнительный час работы с тетрадью

  • 17. 017. Лекция 3 Обратная связь по продукту UX

  • 18. 017. Лекция 3 Продуктовый UX Отзыв

  • 19. 018. Latency First: Как ускорить Rag и агентов

  • 20. 019. Неделя 3 Без Ап: Когда вызов функции общается с вашим браузером

  • 21. 020. Рабочий час 5 июня

  • 22. 021. Лекция 4 Сегментация Описание

  • 23. 022.4.1. Создание набора данных: Описание

  • 24. 023. Неделя 4 Тема: Моделирование Описание

  • 25. 024. Неделя 4 Классификатор Описание

  • 26. 025 Антипаттерны Rag в дикой природе и как их исправить

  • 27. 026. Консультация 10 июня

  • 28. 027. Консультация 12 июня

  • 29. 028. Лекция 5: Мультимодальность

  • 30. 029. Неделя 5 Генерация набора данных Описание

  • 31. 030 Неделя 5.2. Метаданные: фильтрация и описание

  • 32. 031. Неделя 5. Из текста в SQL. Описание

  • 33. 032. Недель 5. Парсер PDF Описание

  • 34. 033. Неделя 5. Cohere Embed V4 Описание

  • 35. 034. Поиск на естественном языке по полуструктурированным данным

  • 36. 035. Лучше Тряпка через Лучшие Данные

  • 37. 036. Консультация 17 июня

  • 38. 037. Рабочее время 19 июня

  • 39. 038. Лекция 6: Описание маршрутизации

  • 40. 039. Неделя 6. Оценка инструментов

  • 41. 040. Неделя 6 Создание набора данных Описание

  • 42. 041. Неделя 6. Улучшение производительности описание

  • 43. 042. Rag в эпоху агентов: случай Swe Bench

  • 44. 043 Как создать самообучающийся ИИ через анализ данных

  • 45. 044. Выводы

  • 46. 045 Улучшение ретриверов с помощью повторного ранжирования и тонкой настройки эмбеддингов

  • 47. 046. Уроки по извлечению для автономных кодирующих агентов

  • 48. 047. Уроки автоматизации документов от стартапов до F500 в масштабах

  • 49. 048. Почему Девин не использует мультиагентов

  • 50. 049. Масштабирование вычислений времени оценки для устойчивой автоматической оценки LLM

  • 51. 050. Переосмысление Rag с основ для агентов

  • 52. 051. Как выявлять производственные ошибки в реальном времени

  • 53. 052. Уроки из создания вертикализированных AI-агентов

  • 54. 053. Масштабный векторный поиск на объектном хранилище