Embeddings और Vector Search

समझें कि पाठ vectors कैसे बनता है और उन्हें कैसे खोजें: similarity मापदंड, सीखे embeddings, सटीक और approximate nearest neighbours, quantisation, hybrid search, मूल्यांकन और production, हर प्रयोग असली चलाया हुआ।

कोर्स शुरू करें →

पाठ्यक्रम

Embeddings क्या हैं

  1. शब्दों से निर्देशांकों तक
  2. Embeddings कहाँ से आते हैं
  3. Similarity मापदंड: Dot, Cosine और Euclidean
  4. आयाम और Dimensionality का अभिशाप

Embeddings बनाना और चुनना

  1. जाँचा जा सकने वाला सीखा Embedding
  2. Keyword Search बनाम Semantic Search
  3. Embedding Model चुनना
  4. पाठ तैयार करना: Chunking, Truncation, Query बनाम Document

Vectors खोजना: सटीक और Approximate

  1. सटीक k-Nearest Neighbours
  2. Approximate Search: IVF और HNSW
  3. संपीड़न: Scalar और Product Quantisation
  4. Index चुनना

सादे Nearest Neighbours से आगे

  1. Metadata Filtering
  2. Hybrid Search और Reranking
  3. Clustering, विषय और De-duplication
  4. Multi-Vector, बहुभाषी और Multimodal Embeddings

Retrieval का मूल्यांकन और सुधार

  1. Golden Set पर Recall@k, MRR और nDCG
  2. Error विश्लेषण और गुणवत्ता सुधार
  3. Model बदलाव, Re-Indexing और Drift

Production में Vector Search चलाना

  1. Vectors कहाँ रहते हैं
  2. Updates, Deletes और ताज़गी
  3. Scaling, लागत और Latency
  4. Embeddings की सुरक्षा और Privacy

Embeddings के अनुप्रयोग

  1. Semantic Search और Recommendations
  2. वर्गीकरण, Routing और Few-Shot Labelling
  3. RAG और Agent Memory के लिए Embeddings

सब कुछ जोड़ना

  1. केस स्टडी: Help Centre के लिए Semantic Search
  2. Revision: Cheat Sheet और Self-Check