Member since 2025
Dönüştürücü Modelleri ve BERT Modeli
Earned Eyl 24, 2025 EDT
Kodlayıcı-Kod Çözücü Mimarisi
Earned Eyl 23, 2025 EDT
Çoklu Format Destekli Gemini ve Çok Formatlı RAG ile Zengin Belgeleri İnceleme
Earned Eyl 23, 2025 EDT
Create Embeddings, Vector Search, and RAG with BigQuery
Earned Eyl 23, 2025 EDT
Bu kurs, dönüştürücü mimarisini ve dönüştürücülerden çift yönlü kodlayıcı temsilleri (BERT - Encoder Representations from Transformers) modelini tanıtmaktadır. Kursta, öz dikkat mekanizması gibi dönüştürücü mimarisinin ana bileşenlerini ve BERT modelini oluşturmak için dönüştürücünün nasıl kullanıldığını öğreneceksiniz. Ayrıca sınıflandırma, soru yanıtlama ve doğal dil çıkarımı gibi BERT'in kullanılabileceği çeşitli görevler hakkında da bilgi sahibi olacaksınız. Kursun tahmini süresi 45 dakikadır.
Bu kursta, kodlayıcı-kod çözücü mimarisi özet olarak anlatılmaktadır. Bu mimari; makine çevirisi, metin özetleme ve soru yanıtlama gibi "sıradan sıraya" görevlerde yaygın olarak kullanılan, güçlü bir makine öğrenimi mimarisidir. Kursta, kodlayıcı-kod çözücü mimarisinin ana bileşenlerini ve bu modellerin nasıl eğitilip sunulacağını öğreneceksiniz. Laboratuvarın adım adım açıklamalı kılavuz bölümünde ise sıfırdan şiir üretmek için TensorFlow'da kodlayıcı-kod çözücü mimarisinin basit bir uygulamasını yazacaksınız.
Orta düzeydeki Çoklu Format Destekli Gemini ve Çok Formatlı RAG ile Zengin Belgeleri İnceleme beceri rozetini tamamlayarak şu konulardaki becerilerinizi kanıtlayabilirsiniz: Çok formatlı istemler kullanarak metin ve görsel formatlarındaki verilerden bilgi elde etme, video açıklaması oluşturabilme ve Gemini ile çok formatlılıktan yararlanarak videonun kapsamındaki bilgilerden çok daha fazlasına ulaşabilme; metin ve görüntü içeren dokümanların meta verilerini oluşturma, gerekli tüm metin parçalarına ulaşma ve Gemini'ın Çok Formatlı Almayla Artırılmış Üretim (RAG) mimarisini kullanarak alıntıları yazdırma.
This course explores a Retrieval Augmented Generation (RAG) solution in BigQuery to mitigate AI hallucinations. It introduces a RAG workflow that encompasses creating embeddings, searching a vector space, and generating improved answers. The course explains the conceptual reasons behind these steps and their practical implementation with BigQuery. By the end of the course, learners will be able to build a RAG pipeline using BigQuery and generative AI models like Gemini and embedding models to address their own AI hallucination use cases.