Скачать Qdrant: полный курс [Stepik] [Станислав Попов]

[Джокер]

Складчина: Qdrant: полный курс [Stepik] [Станислав Попов]



Практический курс по Qdrant для Python-разработчиков: embeddings, REST API, Python-клиент, гибридный поиск, multitenancy и production-деплой. Финал — VectorCatalog (FastAPI + Qdrant + Docker Compose). Только инженерия векторного поиска, применимая в проде.

Чему вы научитесь:

Разворачивать Qdrant в Docker и работать через REST API и qdrant-client
Проектировать коллекцию до загрузки данных: метрика, payload, индексы, named vectors
Применять CRUD, search, scroll, count и фильтры по payload в Python
Собирать гибридный поиск (dense + sparse, RRF) и рекомендации через Recommendation API
Настраивать multitenancy (tenant_id) и zero-downtime reindex через алиасы коллекций
Эксплуатировать Qdrant в production: snapshots, мониторинг, API key, Docker Compose
О курсе:

Короткие туториалы «Как поднять Qdrant за вечер» хорошо знакомят с API. В production же чаще всплывают другие вопросы: почему выросла задержка поиска, как разделить данные клиентов в одной коллекции и как переиндексировать каталог без остановки сервиса.
Здесь последовательный путь от первого контейнера до осознанной эксплуатации Qdrant. Курс для Python-разработчиков, которым ножно понимание, как устроено векторное хранилище и как его встроить в backend.
Главный результат вы проектируете коллекции, фильтры, а не копируете сниппеты вслепую. Финал рабочий проет VectorCatalog: витрина, гибридный поиск, рекомендации, два tenant и blue-green reindex.
Маршрут курса:

Фундамент и REST API Docker, Dashboard, коллекции, точки, первый поиск
Python-клиент CRUD, query_points, scroll, payload-фильтры
Продвинутые паттерны hybrid (dense + sparse), Recommendation API, multitenancy, алиасы
Production Compose, мониторинг, snapshots, API key
VectorCatalog пошаговая сборка capstone
Закрепление глоссарий, тесты и задачи по всему материалу
Qdrant здесь самостоятельный инженерный навык: поиск, рекомендации, изоляция tenant, миграции индекса.
Для кого этот курс:

Python/backend-разработчики, которым нужен семантический или гибридный поиск в продукте
Инженеры, которые подключили Qdrant «по гайду», но не разобрались с фильтрами, индексами payload и multitenancy
Команды, проектирующие SaaS или базу знаний с изоляцией данных по клиентам
Те, кто готовит свой пет-проект, но не знает как обращаться с векторной базой
Разработчики которые уже знают, что такое RAG/агенты и хотят разобраться с векторной БД
Начальные требования:

Python 3.11+ функции, dict/list, базовая работа с модулями
Желательно иметь базу по вопросам RAG, LLM (Я бы порекомендовал проходить курс после модуля 4 курса по LLM)
Docker запуск контейнера, docker compose up
HTTP и JSON GET/POST, чтение тела ответа
Понимание, что вектор это массив чисел фиксированной длины (что такое embeddings и как их создавать)
Не требуется: PyTorch, training моделей, линейная алгебра, опыт ML-инженера
Что вы получаете:

Системное понимание Qdrant: от embeddings до production-паттернов
Проект VectorCatalog для портфолио (FastAPI + Qdrant + PostgreSQL + Docker)
Готовые приёмы: hybrid search, multitenancy, alias swap, backup через snapshot
Глоссарий курса — быстрый повтор терминов перед собеседованием или code review
База для RAG и AI-backend — без «магии», с контролем над индексом и фильтрами
Программа:

Введение и установка:

О курсе
Что такое embeddings (эмбеддинги)?
Что такое Qdrant и зачем он нужен
Установка: Docker и первый запуск
Qdrant Web UI: визуальная отладка
Конфигурация: persistence и ресурсы
Qdrant Cloud vs Self-hosted
HTTP API Qdrant — полное погружение:

Коллекции: create, get, list, delete
Настройка коллекции: optimizers и HNSW
CRUD для points: upsert, retrieve, delete
Векторный поиск: distance и параметры
Фильтрация по payload
WithPayload и WithVector
Scroll API: обход больших коллекций
Наглядный пример: простой поиск по документам
Закрепление
qdrant-client для Python:

Установка и первый запуск клиента
QdrantClient: конструктор и подключение
Режимы клиента: sync, async, embedded
Метод create_collection
Структуры данных и CRUD точек
Поиск
Scroll
Фильтры и payload-индексы
Named vectors
Groups: search_groups
Snapshots
Ошибки, логирование и отладка
Закрепление
Расширенные возможности Qdrant:

Архитектура мульти-векторных коллекций
Sparse vectors и hybrid search
Recommendation API
Quantization
Multitenancy через payload
Aliases и миграция данных
Закрепление
Эксплуатация:

Production-деплой: Docker Compose
Мониторинг и безопасность
Backup-стратегии
VectorCatalog — поиск и рекомендации товаров:

Архитектура и окружение
Коллекция и загрузка каталога
FastAPI и витрина (Jinja2)
Поиск: гибрид и фильтры
Рекомендации
Production: масштаб и деплой
Глоссарий и закрепление материала по всему курсу:

Глоссарий курса
Тесты
Задачи
Заключение:

Заключение
Цена 1494 руб.




СКАЧАТЬ СЛИВЫ КУРСОВ

Для возможности скачивать складчины и сливы курсов нужно зарегистрироваться