Bu Modülde Neler Öğreneceksin?
Vector store, embedding, chunking stratejileri ve production-grade RAG pipeline kurulumu.
Konu Listesi
- RAG nedir, neden kullanılır
- RAG mimarisi (indexing → retrieval → generation)
- Chunk nedir, chunk boyutu seçimi
- Chunk overlap nedir
- Embedding nedir
- Embedding modelleri (OpenAI, Cohere, BGE, E5)
- Vector database nedir
- Pinecone kullanımı
- Weaviate kullanımı
- Qdrant kullanımı
- Chroma kullanımı
- pgvector (PostgreSQL)
- FAISS nedir
- Cosine similarity vs Dot product vs Euclidean
- Semantic search vs keyword search
- Hybrid search (BM25 + vector)
- BM25 algoritması
- Reranking nedir (Cohere Rerank, cross-encoder)
- Parent-child chunking stratejisi
- Sentence window retrieval
- HyDE (Hypothetical Document Embeddings)
- Query expansion
- Multi-query retrieval
- RAG değerlendirme metrikleri (RAGAS)
- Faithfulness metriği
- Answer relevancy metriği
- Context precision / recall
- RAG’da hallucination azaltma
- Metadata filtering
- Self-RAG
- Corrective RAG (CRAG)
- Agentic RAG
- GraphRAG (Microsoft)
- RAG vs Fine-tuning ne zaman hangisi
Başlamadan Önce
Bu modülün içeriğini tamamladıktan sonra ilgili araçları ve teknikleri kendi projelerinde uygulayabileceksin. Her konu için pratik örnekler ve kod snippetları yakında eklenecek.
İçerik hazırlanıyor mu? Bu sayfayı WordPress admin panelinden (AI Kurslar → Bu Kurs → Düzenle) istediğin gibi zenginleştirebilirsin.