Vector Database Mühendisliği
Embeddings depolama, indeksleme (HNSW/IVF), hybrid search, filtreleme, ölçekleme ve maliyet optimizasyonu.
Seviye
Orta
Süre
18 saat
Tahmini yayın
2027 Q2
Kategori
AI Engineering
AI uygulamalarının belleği olan vector database'leri derinlemesine ele alan kurs. Embedding depolamadan indeks seçimine (HNSW, IVF), hybrid search ve metadata filtrelemeden ölçekleme ve maliyet optimizasyonuna; pgvector, Pinecone, Qdrant ve Milvus'u gerçek senaryolarla karşılaştırarak doğru aracı seçmeyi öğrenirsin.
Öğrenilecek teknolojiler
Ne öğreneceksin
- Embedding indeks tiplerini (HNSW/IVF) ve tradeoff'larını kavrama
- pgvector, Pinecone, Qdrant, Milvus arasında doğru tercih
- Hybrid search ve metadata filtreleme kurma
- Ölçekleme, sharding ve maliyet optimizasyonu
Kimler için
- RAG ve arama sistemleri kuran mühendisler
- Vector veritabanı seçimi yapacak ekipler
- Ölçek ve maliyetle boğuşan AI geliştiricileri
Müfredat özeti
- 01Vector database temelleri ve embedding depolama
- 02İndeksleme: HNSW, IVF ve tradeoff'lar
- 03pgvector ve yönetilen servisler
- 04Hybrid search ve filtreleme
- 05Ölçekleme ve performans
- 06Maliyet ve üretim operasyonu
Diğer kursları keşfet
AI Engineering
AI Engineer Bootcamp: Python, LLM, RAG ve Agents
Python, FastAPI, OpenAI/Anthropic API, RAG, AI agents, Docker ve cloud deployment ile uçtan uca AI uygulamaları geliştirin.
AI Engineering
RAG Mühendisliği: Embeddings, Vector DB ve GraphRAG
Chunking, embeddings, pgvector, Pinecone, OpenSearch, hybrid search, reranking, GraphRAG ve RAG evaluation.
AI Engineering
AI Agent Mühendisliği: LangChain ve LangGraph
LangChain, LangGraph, tool calling, memory, human-in-the-loop ve multi-agent sistemleri geliştirin.