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.

Loading and splitting code files

Loading code files

Splitting Python files

Advanced splitting methods

Splitting by tokens

Splitting semantically

Optimizing document retrieval

Sparse vs. dense retrieval

Understanding BM25

Sparse retrieval with BM25

Introduction to RAG evaluation

Ragas context precision evaluation

Ragas faithfulness evaluation

String evaluation

Improving the RAG Architecture

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

Vektörlerden graf lara

Grafik belgeleri oluşturma

Grafikleri tanıyalım

Belgeleri depolama ve sorgulama

Graf veritabanını adım adım kurma

Graf veritabanında sorgu çalıştırma

Graph RAG zincirini oluşturma

Graph RAG Süreci

Graph RAG sisteminde bir yolculuk

Zincirleme, Graph RAG tarzı!

Graf alma işlemini iyileştirme

Filtrelemeyle Graph RAG

Cypher sorgularını doğrulama

Cypher few-shot istemi oluşturma

Tebrikler!

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'ler) artık bilgisayarlara, telefonlara ve yazılımlara entegre ediliyor, ancak bir dezavantajları var: Bilgileri, yavaş ve maliyetli olan eğitim verileriyle sınırlı. İşte burada Retrieval Augmented Generation (RAG) devreye giriyor! RAG, LLM'leri harici verilerle zenginleştirmeni sağlar. Bu derste, LLM'ler için harici verileri yükleme, işleme ve getirme konusunda en güncel teknikleri öğreneceksin! Vektör veritabanlarını, GPT-4o-Mini dahil en yeni LLM'leri ve LangChain çerçevesini kullanarak RAG uygulamaları oluşturacaksın. Ders, daha güvenilir veri getirme için grafik veritabanlarını kullanan, geleneksel RAG'e farklı bir yaklaşım olan Graph RAG bölümüyle sona eriyor.

<h2>LangChain ile RAG Sistemleri Oluşturun</h2>Geri Alma ile Güçlendirilmiş Üretim (RAG), büyük dil modellerinin (LLM) temel sınırlamalarından biri olan sınırlı bilgilerini aşmak için kullanılan bir tekniktir. RAG sistemleri, çeşitli kaynaklardan gelen harici verileri LLM'lere entegre eder. Birden fazla farklı sistemi birbirine bağlama süreci genellikle zahmetlidir, ancak LangChain bunu çok kolay hale getirir!<br><br><h2>En Son Teknolojiye Sahip Bölme ve Geri Alma Yöntemlerini Öğrenin</h2>RAG mimarinizi bir üst seviyeye taşıyın! Python ve Markdown dosyaları dahil olmak üzere kod dosyalarını yüklemeyi ve bölmeyi öğrenecek ve böylece bölünmelerin kod sözdizimini "tanımasını" sağlayacaksınız. Geri alınan belgelerinizin modelinizin bağlam penceresi içinde kalmasını sağlamak için belgelerinizi karakterler yerine belirteçler kullanarak böleceksiniz. Anlamsal bölme, metindeki konunun değiştiği noktaları tespit ederek ve bu noktalarda bölme yaparak bağlamın korunmasına nasıl yardımcı olabileceğini keşfedin. Son olarak, LangSmith ve Ragas ile RAG mimarinizi sağlam bir şekilde değerlendirmeyi öğrenin.<br><br><h2>Graph RAG Mimarisi'ni keşfedin</h2>RAG mimarinizi tamamen değiştirin ve vektör tabanlı RAG sistemleri yerine grafik tabanlı sistemlerin, sisteminizin belgelerinizdeki varlıkları ve ilişkileri daha iyi anlamasını nasıl sağlayabileceğini keşfedin. LLM'leri kullanarak yapılandırılmamış metin verilerini grafiklere dönüştürmeyi öğreneceksiniz! Ardından, bu grafik belgelerini Neo4j grafik veritabanında depolayacak ve uygulamayı tamamlamak için daha geniş bir RAG sistemine entegre edeceksiniz.

Developing LLM Applications with LangChain

LangChain ile RAG kullanarak dış verileri LLM'lerle entegre etmenin yenilikçi yöntemlerini öğrenin.

LangChain ile Retrieval Augmented Generation (RAG)

LangChain ile Retrieval Augmented Generation (RAG) kullanarak harici verileri LLM'lerle entegre etmek için en son yöntemleri öğrenin.

LangChain ile Uygulama Geliştirme

Kullanıcı girdisini bir LLM ile Cypher sorgusuna dönüştür

Graf veritabanını Cypher kullanarak sorgula

Getirilen graf belgelerini bir LLM ile doğal dile dönüştür

Kullanıcıya doğal dilde bir yanıt döndür

Graph RAG sisteminde bir yolculuk

LangChain ile Retrieval Augmented Generation (RAG)

Uygulamalı interaktif egzersiz