Ontdek hoe je externe databronnen integreert in chatmodellen met LangChain. Leer data laden, splitsen, embedden, opslaan en ophalen voor gebruik in LLM-toepassingen.

Documenten laden voor RAG met LangChain

PDF-bestanden laden voor RAG

HTML-bestanden laden voor RAG

Tekstsplitsing, embeddings en vectoropslag

Aan de slag met tekst splitsen

Documenten recursief splitsen

Documenten embedden en opslaan

Een LCEL-retrievalchain bouwen

De retrieval-prompt maken

De retrieval chain bouwen

RAG-toepassingen bouwen met LangChain

Ontdek state-of-the-art technieken voor het laden, splitsen en ophalen van documenten, waaronder het laden van Python-bestanden, semantisch splitsen en het gebruik van MRR- en self-query-ophaalmethoden. Leer je RAG-architectuur te evalueren met robuuste statistieken en 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

De RAG-architectuur verbeteren

Ontdek hoe graafdatabases en -opvraging enkele beperkingen van traditionele vectorgebaseerde opslag en retrieval kunnen overwinnen.

Van vectoren naar grafen

Grafdocumenten maken

Kennismaken met grafen

Documenten opslaan en opvragen

Je graafdatabase opbouwen

Query's uitvoeren op je graafdatabase

De Graph RAG-keten maken

Een reis door het Graph RAG-systeem

Chaining, in Graph RAG-stijl!

Graph retrieval verbeteren

Graph RAG met filtering

Cypher-queries valideren

Een few-shotprompt voor Cypher maken

Gefeliciteerd!

Introductie tot 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

Interactieve oefening met praktijkervaring