Offre de lancement : Accès à vie à 79€ (code MZMDKXNW, 30 premiers clients)·En profiter ➔
← Retour au blog

COURS COMPLET SUR LES BASES DE DONNÉES VECTORIELLES : EMBEDDINGS ET CHROMADB

Publié le 2026-11-05

2 analyses offertes · Sans carte bancaire · Résultat en 30 s
🚀

COURS COMPLET SUR LES BASES DE DONNÉES VECTORIELLES : EMBEDDINGS ET CHROMADB

Titre Source :
Vector Databases Full Course for Beginners – Embeddings, Similarity Search & ChromaDB
URL Source :
Date du scan :
05/11/2026 à 08:07
Générateur :
VidScope Agent (Mode Autonome)
📄

RÉSUMÉ EXÉCUTIF

Ce cours complet offre une introduction approfondie aux bases de données vectorielles, en expliquant les concepts fondamentaux tels que les vecteurs, la tokenisation et les modèles d'embedding. Il détaille le fonctionnement de la recherche sémantique et les mécanismes d'indexation haute performance comme IVF et HNSW. À travers des démonstrations pratiques utilisant l'API Google Gemini, les apprenants découvrent comment générer des plongements et les manipuler efficacement au sein de ChromaDB. Cette formation couvre l'intégralité du pipeline, de la transformation des données brutes jusqu'au stockage et à l'interrogation sémantique.

Nom de l'Outil Catégorie Description Rapide Lien Officiel
Gemini
Utilisé
IA
Utilisé comme modèle d'IA pour générer des embeddings vectoriels lors d'une démonstration en direct.
« Vous générerez des embeddings lors d'une démonstration en direct avec le modèle Gemini de Google »
Visiter
Chroma DB
Utilisé
Base de données
Base de données vectorielle utilisée dans le projet pratique pour stocker des embeddings et effectuer des recherches sémantiques.
« vous stockerez des embeddings dans Chroma DB et effectuerez des recherches sémantiques »
Visiter
OpenAI Tokenizer
Utilisé
Outil dev
Plateforme en ligne permettant de visualiser le découpage des textes en jetons.
« dirigeons-nous maintenant vers la plateforme de découpage d'OpenAI. »
Visiter
GloVe
Utilisé
IA
Modèle de plongement lexical (word embedding) utilisé pour illustrer les relations vectorielles entre mots.
« le modèle que j'utilise est le Glove 300D. »
Visiter
Word2Vec
Cité
IA
Modèle classique de plongement de mots cité comme pionnier du domaine.
« Parmi les exemples populaires de modèles de plongement, nous avons Word2Vec. »
Visiter
CodeBERT
Cité
IA
Modèle de plongement optimisé pour la compréhension et la similarité de code.
« vous avez d'autres modèles de plongement de Cohere et de Microsoft CodeBERT, qui est optimisé pour la compréhension du code. »
Visiter
Google Colab
Utilisé
Outil dev
Environnement de notebook utilisé pour exécuter la démonstration en direct.
« Très bien, passons maintenant à Google Colab. »
Visiter
Pandas
Utilisé
Bibliothèque
Bibliothèque Python utilisée pour manipuler les données et générer la matrice de similarité.
« Nous avons besoin de genai de Google. Nous avons aussi besoin de pandas »
Visiter
Scikit-learn
Utilisé
Bibliothèque
Bibliothèque utilisée pour calculer la similarité cosinus entre les vecteurs.
« nous devons importer cosine_similarity depuis sklearn. »
Visiter
Plotly
Utilisé
Bibliothèque
Bibliothèque de visualisation utilisée pour rendre les graphiques 3D interactifs.
« Vous pouvez le faire en utilisant plotly. »
Visiter
ChromaDB
Utilisé
Base de données
Base de données vectorielle utilisée pour stocker et effectuer des recherches sémantiques sur des plongements.
« Dans cette démonstration, nous allons générer des plongements et les stocker dans Chroma DB. »
Visiter
Python
Utilisé
Langage de programmation
Langage utilisé pour manipuler les données, appeler les API et interagir avec ChromaDB.
« Comment écrire une fonction Python ? »
Visiter
Java
Cité
Langage de programmation
Langage mentionné comme exemple de contenu stocké dans la base de données vectorielle.
« Et comment puis-je créer une classe en Java ? »
Visiter
SQL
Cité
Base de données
Système de base de données relationnelle utilisé pour comparer les concepts d'indexation.
« Vous rencontrerez une couche d'indexation dans n'importe quelle base de données, qu'elle soit traditionnelle, comme SQL ou NoSQL. »
Visiter
NoSQL
Cité
Base de données
Type de base de données non relationnelle utilisé pour comparer les concepts d'indexation et de collections.
« Vous rencontrerez une couche d'indexation dans n'importe quelle base de données, qu'elle soit traditionnelle, comme SQL ou NoSQL. »
Visiter
🔍

MENTIONS NON RÉSOLUES

Outils ou technologies évoqués sans nom précis dans la vidéo :

modèles d'embedding ⏱️ 06:21
Modèles d'apprentissage automatique non spécifiés utilisés pour convertir des données brutes en vecteurs numériques.
grands modèles de langage ⏱️ 53:16
Référence aux modèles modernes qui utilisent la tokenisation par sous-mots.
tokenizer ⏱️ 48:09
Composant système qui convertit les données brutes (texte, audio, vidéo) en jetons numériques.
modèles de plongement de Cohere ⏱️ 10:31
Mentionnés comme alternatives populaires dans le secteur.
⏱️

MOMENTS IMPORTANTS

[02:03]
Explication du rôle de la tokenisation dans le pipeline d'embedding.
[05:35]
Explication du concept de tokenisation par sous-mots pour l'optimisation des jetons.
[08:18]
Introduction aux techniques d'indexation vectorielle pour accélérer la recherche.
[11:11]
Comparaison entre les bases de données relationnelles traditionnelles et les bases vectorielles.
[26:30]
Explication de la relation entre le nombre de caractéristiques et les dimensions d'un vecteur.
[34:47]
Démonstration de la formule et de l'utilité de la similarité cosinus pour comparer les directions.
[48:47]
Analyse des trois méthodes de tokenisation : par caractères, par mots et par sous-mots.
[01:01:23]
Démonstration mathématique de la relation entre vecteurs (Roi - Homme + Femme = Reine).
[01:15:39]
Mise en place du client Google Gemini et configuration de la dimensionnalité des vecteurs.
[01:23:22]
Présentation de l'architecture interne d'une base de données vectorielle avec ses quatre couches principales.
[01:26:04]
Explication des techniques d'indexation IVF (Inverted File Index) et HNSW (Hierarchical Navigable Small Worlds).
[01:33:04]
Création d'un client ChromaDB et stockage de vecteurs dans une collection.
⭐

TECHNOLOGIES ABORDÉES

🔹 Embeddings
🔹 Vector Database
🔹 Semantic Search
🔹 RAG
🔹 Tokenization
🔹 Machine Learning
🔹 IVF
🔹 HNSW
🔹 Similarity Search
🔹 Vecteurs

Prêt à gagner des heures chaque semaine ?

Laissez l'IA de VidScope analyser vos vidéos YouTube et extraire les meilleurs outils techniques instantanément.

2 analyses offertes · Sans carte bancaire · Résultat en 30 s