Aprende conceptos de embeddings, búsqueda vectorial, índices y su papel en RAG y GenAI.
Certificado del Programa
Los usuarios que se suscriban a este curso, tienen la oportunidad de obtener un Certificado de estudios con validez SEP , verificable, imprimible y descargable (PDF) .
Para Obtener tu certificado SEP deberás presentar tu certificado de finalización de coursera. Tu membresía tiene incluida la emisión de 1 Certificado para el curso que elijas.
Si quieres cursar otro programa con certificado este tiene un costo de emisión de MXN $1,950
-
-
- Introducción al curso 00:03:24
- Resumen del curso 00:05:00
- Consejos útiles para completar el curso 00:03:00
- Conceptos de bases de datos vectoriales 00:06:54
- Lectura: Bases de datos vectoriales frente a bases de datos tradicionales 00:05:00
- Tipos de bases de datos vectoriales 00:09:12
- Aplicaciones de las bases de datos vectoriales 00:06:15
- Lectura: Uso de Chroma DB 00:05:00
- Laboratorio: Configuración del entorno 00:25:00
- Resumen de la lección 1: Fundamentos de las bases de datos vectoriales 00:02:00
- Cuestionario práctico: Fundamentos de las bases de datos vectoriales 00:20:00
- Conceptos clave y arquitectura de Chroma DB 00:08:05
- Lectura: Un debate en profundidad sobre la arquitectura y el análisis de Chroma DB 00:20:00
- Creación de colecciones e incrustación de vectores mediante Chroma DB 00:06:37
- Búsqueda por similitud con Chroma DB 00:05:02
- Lectura: Operaciones vectoriales para realizar búsquedas de similitud 00:10:00
- Laboratorio: Búsqueda de similitudes en texto utilizando una base de datos de vectores cromáticos 00:30:00
- Operaciones vectoriales esenciales con Chroma DB 00:04:30
- Lectura: Operaciones vectoriales esenciales con Chroma DB 00:10:00
- Laboratorio: Análisis de datos de empleados con búsqueda por similitud 00:30:00
- Resumen de la lección 2: Trabajar con Chroma DB: una base de datos vectorial independiente 00:02:00
- Cuestionario práctico: Trabajar con Chroma DB: una base de datos vectorial independiente 00:20:00
- Resumen del curso 00:03:38
- Glosario del curso: Bases de datos vectoriales: Introducción 00:05:00
- Curso Cheatsheet: Bases de datos vectoriales: Introducción 00:10:00
- Cuestionario graduado: Bases de datos vectoriales: Introducción 00:20:00
- Felicitaciones y próximos pasos 00:05:00
- Gracias de parte del equipo del curso 00:01:00
- Introducción al curso 00:02:19
- Resumen del curso 00:05:00
- Lectura: Cómo aprovechar al máximo este curso 00:05:00
- Introducción a MongoDB 00:05:57
- Laboratorio: Configuración de la cuenta en la nube de MongoDB 00:15:00
- Búsqueda vectorial en MongoDB 00:04:33
- Laboratorio: [Opcional] Configuración de Docker para MongoDB 00:15:00
- Almacenamiento e indexación de vectores en MongoDB 00:06:46
- Realización de búsquedas vectoriales en MongoDB 00:04:23
- Ejercicio: Diseña una estrategia de búsqueda vectorial 00:15:00
- Laboratorio: Servicio de búsqueda de noticias con MongoDB Atlas 00:45:00
- Resumen de la lección: Búsqueda vectorial en MongoDB 00:03:00
- Cuestionario práctico: Búsqueda vectorial en MongoDB 00:20:00
- Lab: Servicio de búsqueda de parcelas de libros con MongoDB Atlas 00:30:00
- Introducción a Cassandra 00:04:54
- Búsqueda vectorial en Cassandra 00:04:22
- Laboratorio: [Opcional] Configuración de Cassandra Docker 00:15:00
- Búsqueda vectorial en Cassandra 00:05:42
- Almacenamiento y consulta de vectores en Cassandra 00:04:50
- Laboratorio: Servicio de descubrimiento de servicios con Cassandra Vector DB 00:30:00
- Resumen de la lección: Búsqueda vectorial en Cassandra 00:03:00
- Cuestionario práctico: Búsqueda vectorial en Cassandra 00:20:00
- Laboratorio: Búsqueda de reseñas de productos con Cassandra Vector DB 00:30:00
- Resumen del curso 00:04:05
- Glosario del curso: Búsqueda vectorial con bases de datos NoSQL 00:15:00
- Hoja de trucos: Búsqueda vectorial con bases de datos NoSQL 00:05:00
- Cuestionario graduado: Búsqueda vectorial con bases de datos NoSQL 00:20:00
- Felicitaciones y próximos pasos 00:02:00
- Gracias de parte del equipo del curso 00:01:00
- Introducción al curso 00:02:21
- Resumen del curso 00:03:00
- Lectura: Cómo aprovechar al máximo este curso 00:05:00
- Bases de datos relacionales: Recapitulación 00:06:34
- Incrustación vectorial en bases de datos relacionales 00:07:44
- Lectura: Creación de índices para la optimización de la búsqueda vectorial 00:15:00
- RDBMS compatible con la búsqueda en bases de datos vectoriales 00:05:58
- Ejercicio: Analizar y planificar una solución de búsqueda vectorial 00:15:00
- Laboratorio: Creación y recuperación de datos en PostgreSQL con Node.js 00:30:00
- Laboratorio: Creación y recuperación de datos en PostgreSQL con Python 00:30:00
- Laboratorio: Creación de una base de datos vectorial en PostgreSQL con Python 00:30:00
- Resumen de la lección: PostgreSQL como base de datos vectorial 00:02:00
- Cuestionario de Práctica: PostgreSQL como Base de Datos Vectorial 00:20:00
- Añadir datos incrustados a pgvector 00:05:36
- Laboratorio: Creación de base de datos de vectores en PostgreSQL con Node.js 01:00:00
- Métodos de inserción masiva de datos vectoriales 00:04:41
- Realizar consultas de datos vectoriales 00:05:50
- Laboratorio: Carga y consulta por lotes con Node.js 00:45:00
- Laboratorio: Carga y consulta por lotes con Python 00:30:00
- Lectura: Plataformas en la nube compatibles con pgvector 00:05:00
- Resumen de la lección: Implementación de PostgreSQL como base de datos vectorial 00:04:00
- Práctica: Implementación de PostgreSQL como Base de Datos Vectorial 00:20:00
- Resumen del curso 00:03:07
- Glosario del curso: Implementación de la búsqueda vectorial con bases de datos relacionales 00:15:00
- Hoja de trucos del curso: Implementación de la búsqueda vectorial con bases de datos relacionales 00:15:00
- Cuestionario graduado: Implementación de la búsqueda vectorial con bases de datos relacionales 00:20:00
- Felicitaciones y próximos pasos 00:02:00
- Gracias de parte del equipo del curso 00:01:00
- Introducción al curso 00:02:28
- Resumen del curso 00:05:00
- Consejos útiles para completar el curso 00:03:00
- Lectura: Introducción a la Cara de Abrazo 00:05:00
- Cara de abrazo 00:05:02
- Laboratorio: Configurar la clave API de Cara Abrazada 00:10:00
- Laboratorio: Trabajar con modelos de caras abrazadas 00:15:00
- Resumen de la lección 00:05:00
- Lectura: Visión general del proyecto de prácticas 00:05:00
- Proyecto Práctico: Sistema de recomendación de alimentos mediante ChromaDB 01:15:00
Comparte esta certificación.
Información del Curso
240 Horas Curriculares
24 Créditos Académicos
Accede por tu Smartphone
Certificado oficial SEP
Aprendizaje especializado
Contenido de la Certificación
Aprende conceptos de embeddings, búsqueda vectorial, índices y su papel en RAG y GenAI.
1) Las bases de datos vectoriales permiten similitud semántica para texto, imágenes y más mediante embeddings.
2) Estudiarás métricas de similitud, esquemas, indexación, particionamiento y consistencia/recuperación.
3) Verás cómo integrarlas en aplicaciones con RAG, agentes y pipelines de IA generativa.
Viñetas (debajo del resumen):
• Elegir métricas (coseno, L2, dot‑product) e índices (IVF, HNSW, PQ).
• Diseñar esquemas y estrategias de actualización.
• Integrar con LLMs para RAG y búsquedas semánticas.
Habilidades:
Embeddings, Búsqueda vectorial, HNSW/IVF/PQ, RAG, LLMs, Diseño de esquemas, Indexación
CURSO 1: Embeddings y similitud
- Conceptos, métricas y normalización.
CURSO 2: Índices y rendimiento
- HNSW, IVF, PQ y trade‑offs.
CURSO 3: Diseño y operaciones
- Esquemas, partición y actualizaciones.
CURSO 4: Aplicaciones con RAG/LLMs
- Patrones, evaluación y seguridad.
