Entrar em Contato

Programa do Curso

Introdução

  • O que são bases de dados vetoriais?
  • Bases de dados vetoriais vs. bancos de dados tradicionais
  • Visão geral dos embeddings vetoriais

Gerando Embeddings Vetoriais

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

Indexação e Recuperação em Bases de Dados Vetoriais

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

Bases de Dados Vetoriais em Machine Learning (ML)

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

Escalabilidade e Desempenho

  • Desafios ao escalar bases de dados vetoriais
  • Técnicas para bases de dados vetoriais distribuídas
  • Métricas de desempenho e monitoramento

Trabalho em Projeto e Estudos de Caso

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

Resumo e Próximos Passos

Requisitos

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

Público-Alvo

  • Cientistas de dados
  • Engenheiros de machine learning
  • Desenvolvedores de software
  • Administradores de banco de dados
 14 Horas

Número de participantes


Preço por participante

Próximas Formações Provisórias

Categorias Relacionadas