HTML'i bölme

Bu egzersizde, ABD Beyaz Sarayının Ekim 2023'te yayımladığı, AI ile ilgili bir başkanlık kararnamesini içeren bir HTML dosyasını böleceksin. Parçacıklarda mümkün olduğunca fazla bağlamı korumak için daha büyük chunk_size ve chunk_overlap değerleri kullanarak böleceksin.

Bu egzersizi tamamlamak için gereken tüm LangChain sınıfları senin için önceden yüklendi.

Bu egzersiz

LangChain ile LLM Uygulamaları Geliştirme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

white_house_executive_order_nov_2023.html için bir UnstructuredHTMLLoader oluştur ve belleğe yükle.
chunk_size değerini 300, chunk_overlap değerini 100 olarak ayarla.
'.' karakterine göre bölen bir RecursiveCharacterTextSplitter oluştur ve .split_documents() metodunu kullanarak data'yı böl ve parçacıkları yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Load the HTML document into memory
loader = UnstructuredHTMLLoader(____)
data = loader.____()

# Define variables
chunk_size = ____
chunk_overlap = ____

# Split the HTML
splitter = RecursiveCharacterTextSplitter(
    chunk_size=chunk_size,
    chunk_overlap=chunk_overlap,
    separators=____)

docs = splitter.____(data)
print(docs)

Kodu Düzenle ve Çalıştır

Bu egzersiz

LangChain ile LLM Uygulamaları Geliştirme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Welcome to the LangChain framework for building applications on LLMs! You'll learn about the main components of LangChain, including models, chains, agents, prompts, and parsers. You'll create chatbots using both open-source models from Hugging Face and proprietary models from OpenAI, create prompt templates, and integrate different chatbot memory strategies to manage context and resources during conversations.

Exercise 1: The LangChain ecosystem Exercise 2: OpenAI models in LangChain!Exercise 3: Hugging Face models in LangChain!Exercise 4: Prompt templates Exercise 5: Prompt templates and chaining Exercise 6: Chat prompt templates Exercise 7: Few-shot prompting Exercise 8: Creating the few-shot example set Exercise 9: Building the few-shot prompt template Exercise 10: Implementing few-shot prompting

Time to level up your LangChain chains! You'll learn to use the LangChain Expression Language (LCEL) for defining chains with greater flexibility. You'll create sequential chains, where inputs are passed between components to create more advanced applications. You'll also begin to integrate agents, which use LLMs for decision-making.

Exercise 1: Sequential chains Exercise 2: Building prompts for sequential chains Exercise 3: Sequential chains with LCEL Exercise 4: Introduction to LangChain agents Exercise 5: What's an agent?Exercise 6: ReAct agents Exercise 7: Custom tools for agents Exercise 8: Defining a function for tool use Exercise 9: Creating custom tools Exercise 10: Integrating custom tools with agents

One limitation of LLMs is that they have a knowledge cut-off due to being trained on data up to a certain point. In this chapter, you'll learn to create applications that use Retrieval Augmented Generation (RAG) to integrate external data with LLMs. The RAG workflow contains a few different processes, including splitting data, creating and storing the embeddings using a vector database, and retrieving the most relevant information for use in the application. You'll learn to master the entire workflow!

Exercise 1: Belge yükleyicileri entegre etme Exercise 2: PDF belge yükleyi̇ci̇ler Exercise 3: CSV belge yükleyi̇ci̇ler Exercise 4: HTML belge yükleyi̇ci̇ler Exercise 5: Alım için harici verileri bölme Exercise 6: Karaktere göre bölme Exercise 7: Karaktere göre özyinelemeli bölme Exercise 8: HTML'i bölme

Geçerli Egzersiz

Exercise 9: RAG vektör veri tabanları kullanarak depolama ve geri çağırma Exercise 10: Belgeleri ve vektör veritabanını hazırlama Exercise 11: Bir alma istemi şablonu oluşturma Exercise 12: Bir RAG zinciri oluşturma Exercise 13: Toparlanın!