- El objetivo de los índices es proporcionar la información más adecuada para resolver una pregunta.
- Los embeddings son una forma de representar el texto como números.
- Los embeddings se pueden utilizar para encontrar la información más relevante para una pregunta.
- Las bases de datos vectoriales son una forma de almacenar los embeddings.
- Los embeddings y las bases de datos vectoriales se pueden utilizar para crear índices que pueden resolver preguntas de manera más eficiente.
Introducción a LangChain
Desarrollo de aplicaciones con LLM utilizando LangChain
Estructura y módulos de LangChain
Uso de modelos Open Source de Hugging Face
Uso de modelos de OpenAI API
Prompt templates de LangChain
Cadenas en LangChain
Utility chains
RetrievalQA chain
Foundational chains
Quiz: Introducción a LangChain
Casos de uso de LangChain
Casos de uso de LangChain
¿Cómo utilizar LangChain en mi equipo?
Quiz: Casos de uso de LangChain
Manejo de documentos con índices
¿Cómo manejar documentos con índices en LangChain?
La clase Document
Document Loaders: PDF
Document Loaders: CSV con Pandas DataFrames
Document Loaders: JSONL
Document Transformers: TextSplitters
Proyecto de Chatbot: configuración de entorno para LangChain y obtención de datos
Proyecto de Chatbot: creación de documents de Hugging Face
Quiz: Manejo de documentos con índices
Embeddings y bases de datos vectoriales
Uso de embeddings y bases de datos vectoriales con LangChain
¿Cómo usar embeddings de OpenAI en LangChain?
¿Cómo usar embeddings de Hugging Face en LangChaing?
Chroma vector store en LangChain
Proyecto de Chatbot: ingesta de documents en Chroma
RetrievalQA: cadena para preguntar
Proyecto de Chatbot: cadena de conversación
Proyecto de Chatbot: RetrievalQA chain
Quiz: Embeddings y bases de datos vectoriales
Chats y memoria con LangChain
¿Para qué sirve la memoria en cadenas y chats?
Uso de modelos de chat con LangChain
Chat prompt templates
ConversationBufferMemory
ConversationBufferWindowMemory
ConversationSummaryMemory
ConversationSummaryBufferMemory
Entity memory
Proyecto de Chatbot: chat history con ConversationalRetrievalChain
Quiz: Chats y memoria con LangChain
Evolución del uso de LLM
LangChain y LLM en evolución constante
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Uso de embeddings y bases de datos vectoriales con LangChain
20/37Recursos
Aportes 3
Preguntas 0
Ordenar por:
mmmm estos embeddings son los vectores multidimencionales, o de varias entradas numericas, que representan al texto correspondiente en dicho espacio, asi en forma de vector geometricamente se puede hallar que tan cerca esta un vector del otro en ese espacio y este concepto de cercania se comparra con la similariadd semantica de las palabras/frases embebidas en dichos vectores. 😄
en la documentacion de tensorflow lo explican muy bien ilustrado
Si ustedes igual que a mi les hizo relación los embeddings con TF-IDF les dejo las diferencias entre una y otra:
TF-IDF
TF-IDF hace el conteo con respecto al numero de veces que aparece una palabra en el texto y con base en eso asigna un valor o peso.
Embeddings
Representan palabras como vectores numéricos, estos capturan relaciones semánticas y sintácticas entre palabras a comparación del TF-IDF.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?