Finally a course that explains reranking without hand-waving — the comparison between different rerankers on real queries was worth it alone.
Membina Sistem RAG: Carian, Reranking, dan Penilaian
Fahami asas-asas Retrieval-Augmented Generation dan pelajari cara melaksanakan carian hibrid serta menilai respons LLM melalui latihan berasaskan teks yang praktikal.
-
💬
Pengajar AI
Tanya tentang mana-mana pelajaran dan dapatkan jawapan jelas serta-merta, bila-bila masa. -
🕐
Mula bila-bila masa
Tiada jadual atau tarikh akhir — belajar mengikut rentak sendiri, bila-bila masa. -
🌐
Dalam bahasa Melayu
Pelajaran, tugasan dan sijil — semuanya sepenuhnya dalam bahasa anda.
Tentang kursus ini
Memandangkan Large Language Models (LLMs) mengubah pembangunan perisian, keupayaan untuk menyambungkannya ke data tersuai menjadi kemahiran yang kritikal. Retrieval-Augmented Generation (RAG) adalah standard industri untuk menjadikan respons AI tepat dan peka konteks. Kursus berasaskan teks ini membimbing anda membina sistem RAG dari awal. Anda akan bermula dengan terminologi teras AI dan carian vektor, kemudian beralih kepada pelaksanaan carian hibrid, menggunakan teknik reranking, dan menilai kualiti jawapan sistem anda menggunakan corak Python moden.
Apa yang akan anda pelajari:
- Fahami konsep asas Retrieval-Augmented Generation dan model pembenaman (embedding).
- Bina saluran paip data tersuai untuk menyediakan dan memasukkan teks ke dalam pangkalan data vektor moden.
- Laksanakan strategi carian hibrid yang menggabungkan kata kunci dan pencarian semantik.
- Gunakan algoritma reranking untuk meningkatkan kaitan konteks yang diperoleh.
- Nilai ketepatan dan kualiti respons yang dihasilkan oleh LLM menggunakan metrik industri semasa.
- Berlatih menyepadukan asas prompt engineering untuk mengoptimumkan output AI.
Kurikulum ini mengalir secara logik daripada definisi asas dan konsep teras AI kepada langkah pelaksanaan praktikal. Anda akan membaca penjelasan yang jelas dan mengkaji coretan kod yang tersusun dengan baik untuk membina pemahaman anda tentang integrasi backend AI moden. Direka untuk pemula dan pembangun dengan pengetahuan pengaturcaraan asas, kursus ini tidak memerlukan pengalaman pembelajaran mesin terdahulu. Mula membaca hari ini untuk membina kemahiran asas anda dalam Retrieval-Augmented Generation.
Apa yang anda dapat
-
📜
Sijil tamat
Tambah ke profil LinkedIn anda -
💬
Tutor AI peribadi
Tersekat dalam pelajaran? Tanya tutor terbina dalam kamu apa sahaja, bila-bila masa. -
♾️
Akses seumur hidup
Kembali bila-bila masa, tiada tamat tempoh -
📱
Telefon atau komputer
Berfungsi di mana-mana, mana-mana peranti -
💸
Pulangan 14 hari
Tanpa soalan -
⚡
Pendek dan fokus
2 jam 30 min kandungan praktikal
Ulasan (20)
Świetne wyjaśnienie reranking i ewaluacji.
Bon cours, un peu dense par moments.
Reranking অংশটা অসাধারণভাবে বোঝানো হয়েছে।
Reranking explicado de forma clara e direta.
Phần đánh giá RAG rất hữu ích.
এই কোর্সটা RAG সিস্টেম নিয়ে যেভাবে ধাপে ধাপে বুঝিয়েছে তা সত্যিই দারুণ লেগেছে। প্রথমে সার্চের বেসিক, তারপর reranking কেন দরকার, আর শেষে evaluation মেট্রিক্স দিয়ে কীভাবে যাচাই করতে হয় — পুরো ফ্লো একদম সহজবোধ্য। কোডের উদাহরণগুলো নিজে চালিয়ে দেখেছি, কাজ করেছে ঠিকঠাক। আগে শুধু ভেক্টর সার্চ দিয়ে কাজ চালাতাম, কিন্তু এখন বুঝতে পারছি কোথায় ফলাফল উন্নত করা যায়। সময় নিয়ে বসে শেখার মতো একটা কোর্স।
Good breakdown of how reranking actually improves retrieval quality over plain vector search. The evaluation frameworks covered near the end gave me a real way to benchmark my own pipeline instead of just eyeballing results. Wish there was a bit more depth on hybrid search though.
Le module sur le reranking m'a vraiment ouvert les yeux, je ne comprenais pas bien pourquoi mes résultats de recherche étaient si moyens avant ça. Les exercices sur l'évaluation avec des métriques concrètes sont hyper utiles pour juger si un système RAG marche vraiment. Rythme parfait, ni trop lent ni trop dense.
O curso explica muito bem a diferença entre busca simples e reranking, algo que eu nunca tinha entendido direito antes. A parte de avaliação com métricas reais ajudou muito a validar se as mudanças no meu sistema realmente melhoraram os resultados. Os exemplos práticos são fáceis de acompanhar mesmo sem muita experiência prévia com RAG.
Il corso copre in modo molto ordinato tutto il percorso di un sistema RAG, dalla ricerca iniziale fino al reranking dei risultati. La parte sulla valutazione mi è piaciuta particolarmente perché finalmente ho capito come misurare se le modifiche fatte al sistema portano davvero un miglioramento. Gli esempi pratici sono ben spiegati e si possono riprodurre facilmente con i propri dati. L'unico neo è che alcune sezioni teoriche sul reranking sono un po' dense rispetto agli esercizi collegati. Nel complesso resta un corso solido per chi vuole andare oltre il semplice retrieval vettoriale.
RAG 시스템을 처음부터 끝까지 다루는 구성이 정말 알찼습니다. 검색 단계에서 어떤 방식으로 문서를 가져오는지, 그리고 왜 reranking이 필요한지 순서대로 설명해줘서 흐름이 자연스러웠어요. 특히 평가 지표 부분에서 실제로 결과를 어떻게 측정하는지 실습으로 보여줘서 바로 제 프로젝트에 적용할 수 있었습니다. 설명 속도도 적당하고 예제 코드도 군더더기 없이 깔끔했습니다. RAG를 실무에 도입하려는 사람에게 정말 도움이 될 강의라고 생각합니다.
The section on evaluation metrics for RAG pipelines finally made sense of something I'd been guessing at for months.
RAG 시스템의 기본 구조를 제대로 잡고 싶었는데 하이브리드 검색을 직접 구현해 보면서 감을 확실히 잡았어요. 리랭킹이 왜 필요한지, 검색 결과 품질이 어떻게 달라지는지 텍스트 실습으로 보여줘서 이해가 빨랐습니다. 특히 LLM 응답을 어떻게 평가하는지 다루는 부분이 실무에 바로 도움이 됐어요. 다만 대규모 데이터에서의 성능 최적화 얘기가 조금 더 있었으면 했습니다. 그래도 RAG 입문으로는 아주 알찬 강의였습니다.
Materi reranking dan evaluasi sangat jelas.
The hands-on hybrid search and reranking exercises finally made RAG evaluation click for me; I can now actually measure whether my answers are any good.
Курс закрывает всю базу по RAG: от простого поиска до реранкинга и метрик оценки качества. Особенно понравился блок про evaluation — наконец разобралась, как измерять, действительно ли система отвечает лучше после доработок. Примеры кода рабочие, можно сразу повторить на своих данных. Единственное — тема реранкинга могла бы получить чуть больше практики, было ощущение, что теория обгоняет упражнения. В целом однозначно стоило потраченного времени.
Penjelasan tentang reranking bikin saya paham kenapa hasil pencarian RAG saya selama ini kurang relevan. Bagian evaluasi juga membantu banget karena ada metrik konkret buat mengukur performa sistem, bukan cuma tebak-tebakan. Cuma agak berharap ada lebih banyak studi kasus dunia nyata di bagian akhir.
คอร์สนี้อธิบายเรื่อง RAG ได้ค่อนข้างละเอียด ตั้งแต่การค้นหาข้อมูลพื้นฐานไปจนถึง reranking ซึ่งเป็นส่วนที่ผมไม่เคยเข้าใจมาก่อนว่าทำไมต้องมี ส่วนของการประเมินผลด้วย metric ต่าง ๆ ก็ช่วยให้เห็นภาพชัดว่าระบบทำงานดีขึ้นจริงหรือเปล่า ตัวอย่างโค้ดใช้งานได้จริงและลองทำตามได้ไม่ยาก แต่บางช่วงในเรื่อง reranking รู้สึกว่าอธิบายเร็วไปหน่อยสำหรับคนที่เพิ่งเริ่มต้น โดยรวมแล้วคุ้มค่ากับเวลาที่เสียไปมาก
Solid walkthrough of search and reranking, though the evaluation section moved a little fast for my taste.
Pelajar lain juga mengambil
🔥 Popular
🎓 Dengan sijil
Generative AI untuk Artis Tatu: Reka Bentuk dan Peletakan
Sijil
Amali
$14.99
→
🔥 Popular
🎓 Dengan sijil
Pengklonan Suara AI: Bina Suara Digital Peribadi Anda
Sijil
Amali
$14.99
→
🔥 Popular
🎓 Dengan sijil
AI untuk Guru ESL: Pelajaran, Teks, dan Ujian
Sijil
Amali
$14.99
→
🔥 Popular
🎓 Dengan sijil
Asas LLMOps: Deploy, Versi, dan Pantau LLM
Sijil
Amali
$14.99
→
Soalan lazim
Apa yang saya perlukan untuk mengikuti kursus ini? +
Hanya telefon atau komputer dengan internet. Tiada pemasangan, tiada perkakasan khas.
Bagaimana untuk membayar? +
Dengan kad melalui Stripe. Kami tidak menyimpan butiran kad — Stripe menguruskannya dengan selamat.
Bolehkah saya dapatkan bayaran balik? +
Ya — pulangan penuh dalam 14 hari, tanpa soalan.
Berapa lama saya akan mempunyai akses? +
Selamanya. Setelah membeli, kursus adalah milik anda — boleh lawat semula bila-bila masa.
Adakah saya akan mendapat sijil? +
Ya. Setelah tamat, anda akan menerima sijil yang boleh ditambah ke profil LinkedIn anda.
Direka untuk pelajar dalam
Teknologi
Reka bentuk
Kewangan
Pemasaran
Kesihatan
Pendidikan
Hospitaliti
Pembuatan