Discover how to integrate external data sources into chat models with LangChain. Learn how to load, split, embed, store, and retrieve data for use in LLM applications.

Loading Documents for RAG with LangChain

Loading PDF files for RAG

Loading HTML files for RAG

Text splitting, embeddings, and vector storage

Getting started with text splitting

Recursively splitting documents

Embedding and storing documents

Building an LCEL retrieval chain

Creating the retrieval prompt

Building the retrieval chain

Building RAG Applications with LangChain

Discover state-of-the-art techniques for loading, splitting, and retrieving documents, including loading Python files, splitting semantically, and using MRR and self-query retrieval methods. Learn to evaluate your RAG architecture using robust metrics and frameworks.

Codebestanden laden en splitsen

Codebestanden laden

Python-bestanden splitsen

Geavanceerde splitmethoden

Splitsen op tokens

Semantisch splitsen

Documentopvraging optimaliseren

Opties

Sparse

Dense

Sparse vs. dense retrieval

BM25 begrijpen

Sparsere terughaalmethode met BM25

Introductie tot RAG-evaluatie

Ragas-evaluatie van contextprecisie

Ragas-evaluatie van betrouwbaarheid (faithfulness)

Stringevaluatie

Improving the RAG Architecture

Discover how graph databases and retrieval can overcome some of the limitations of traditional vector-based storage and retrieval.

From vectors to graphs

Creating graph documents

Getting to know graphs

Storing and querying documents

Building-up your graph database

Querying your graph database

Creating the Graph RAG chain

A journey through the Graph RAG system

Chaining, Graph RAG style!

Improving graph retrieval

Graph RAG with filtering

Validating Cypher queries

Creating a Cypher few-shot prompt

Congratulations!

Introduction to Graph RAG

RAG Academic Paper PDF

DataCamp Blog HTML

LangChain README Markdown

Chatbot Python File

RAG Workflow Python File

Large Language Models (LLM’s) worden geïntegreerd in computers, telefoons en softwareapplicaties, maar ze hebben één nadeel: hun kennis is beperkt tot hun trainingsdata, die traag en kostbaar is om te updaten. Daar komt Retrieval Augmented Generation (RAG) om de hoek kijken! Met RAG combineer je externe data met LLM’s. In deze cursus leer je de nieuwste technieken om externe data te laden, verwerken en ophalen voor LLM’s. Je werkt met vectordatabases, de nieuwste LLM’s, waaronder GPT-4o-Mini, en het LangChain-framework om RAG-toepassingen te bouwen. De cursus sluit af met een hoofdstuk over Graph RAG, een variant op traditionele RAG die graafdatabases gebruikt voor betrouwbaardere data-opvraging.

<h2>Bouw RAG-systemen met LangChain</h2>Retrieval Augmented Generation (RAG) is een manier om een van de grootste problemen van grote taalmodellen (LLM's) op te lossen: hun beperkte kennis. RAG-systemen voegen externe gegevens uit allerlei bronnen samen in LLMs. Het is meestal best lastig om verschillende systemen aan elkaar te koppelen, maar met LangChain is het supermakkelijk!<br><br><h2>Leer de nieuwste methodes voor splitsen en ophalen</h2>Maak je RAG-architectuur nog beter! Je leert hoe je codebestanden kunt laden en splitsen, zoals Python- en Markdown-bestanden, zodat de splitsingen rekening houden met de codesyntaxis. Je splitst je documenten met tokens in plaats van tekens, zodat je opgehaalde documenten binnen het contextvenster van je model blijven. Ontdek hoe semantische splitsing kan helpen om de context te behouden door te zien wanneer het onderwerp in de tekst verandert en op die punten te splitsen. Leer tot slot je RAG-architectuur goed te evalueren met LangSmith en Ragas.<br><br><h2>Ontdek de Graph RAG-architectuur</h2>Draai je RAG-architectuur eens helemaal om en kijk hoe grafiekgebaseerde RAG-systemen, in plaats van vectorgebaseerde, je systeem beter kunnen laten begrijpen wat de entiteiten en relaties in je documenten zijn. Je leert hoe je ongestructureerde tekstgegevens omzet in grafieken met behulp van LLMs om de vertaling te doen! Vervolgens sla je deze grafiekdocumenten op in een Neo4j-grafiekdatabase en integreer je deze in een breder RAG-systeem om de applicatie te voltooien.

Developing LLM Applications with LangChain

Leer geavanceerde methoden voor het integreren van externe data met LLM's via RAG met LangChain.

Retrieval Augmented Generation (RAG) met LangChain

Leer de nieuwste manieren om externe data te combineren met LLMs met behulp van Retrieval Augmented Generation (RAG) met LangChain.

Apps maken met LangChain

Sparse vs. dense retrieval

Retrieval Augmented Generation (RAG) met LangChain

Praktische interactieve oefening