Mis à jour en mai 2025.Ce cours intègre maintenant Coursera Coach ! Une façon plus intelligente d'apprendre avec des conversations interactives en temps réel qui vous aident à tester vos connaissances, à remettre en question les hypothèses et à approfondir votre compréhension à mesure que vous progressez dans le cours.Ce cours offre une exploration approfondie des systèmes de Génération augmentée de récupération (RAG), en mettant l'accent sur leur application pratique dans des scénarios du monde réel. A la fin du cours, vous aurez acquis une expertise dans des techniques avancées telles que l'expansion des requêtes, le reclassement et la recherche de passages denses. Vous comprendrez également les composants essentiels des systèmes RAG et apprendrez à relever les défis courants de leur mise en œuvre. Le cours commence par une introduction aux concepts de base des RAG, fournissant une base essentielle pour comprendre les approches RAG naïves et avancées. Vous plongerez dans la triade RAG et découvrirez les pièges associés aux premières étapes de la mise en œuvre des RAG, avant d'explorer des techniques plus sophistiquées. Les sections pratiques vous guideront pas à pas à travers des exercices pratiques qui impliquent le découpage du texte, l'incorporation de morceaux et l'exécution de recherches de similarité. Des sujets avancés tels que l'expansion de la requête avec des réponses générées, le reclassement à l'aide d'encodeurs croisés et la technique de récupération par passage dense (DPR) seront explorés de manière approfondie. Vous apprendrez également à visualiser vos résultats à l'aide de projections graphiques et d'embeddings pour une meilleure interprétation de vos données. Tout au long du cours, vous aurez de nombreuses occasions d'appliquer votre apprentissage dans des sessions pratiques et des défis pratiques. Ce cours est conçu pour les apprenants ayant une compréhension fondamentale de l'apprentissage automatique et du traitement du langage naturel. Il convient aux professionnels et aux développeurs qui cherchent à maîtriser les systèmes avancés de RAG pour une recherche de documents et une génération de réponses plus efficaces. Une connaissance préalable de Python et des cadres d'apprentissage automatique est recommandée.