Programa do Curso

Introdução

  • O que são bancos de dados vetoriais?
  • Bancos de dados vetoriais vs bancos de dados tradicionais
  • Visão geral das embeddings vetoriais

Gerando Embeddings Vetoriais

  • Técnicas para criar embeddings a partir de diversos tipos de dados
  • Ferramentas e bibliotecas para geração de embeddings
  • Práticas recomendadas para qualidade e dimensionalidade dos embeddings

Indexação e Recuperação em Vector Databases

  • Estratégias de indexação para bancos de dados vetoriais
  • Construção e otimização de índices para desempenho
  • Algoritmos de busca de similaridade e suas aplicações

Vector Databases em Machine Learning (ML)

  • Integração de bancos de dados vetoriais com modelos de ML
  • Solução de problemas comuns na integração de bancos de dados vetoriais com modelos de ML
  • Casos de uso: sistemas de recomendação, recuperação de imagens, PLN
  • Estudos de caso: implementações bem-sucedidas de bancos de dados vetoriais

Escalabilidade e Desempenho

  • Desafios na escalabilidade dos bancos de dados vetoriais
  • Técnicas para bancos de dados vetoriais distribuídos
  • Métricas e monitoramento do desempenho

Trabalhos Práticos e Estudos de Caso

  • Projeto prático: Implementação de uma solução com banco de dados vetorial
  • Revisão de pesquisas e aplicações em vanguarda
  • Apresentações em grupo e feedback

Resumo e Próximos Passos

Requisitos

  • Conhecimento básico de bancos de dados e estruturas de dados
  • Familiaridade com conceitos de aprendizado de máquina
  • Experiência com uma linguagem de programação (preferencialmente Python)

Público-alvo

  • Cientistas de dados
  • Engenheiros de aprendizado de máquina
  • Desenvolvedores de software
  • Administradores Database
 14 Horas

Número de participantes


Preço por Participante

Próximas Formações Provisórias

Categorias Relacionadas