BÁSICO · 8 MÓDULOS · 64 LECCIONES
Embeddings a fondo
Convierte texto en vectores que tu equipo puede buscar: compara modelos de embeddings, elige la métrica de distancia correcta, divide con criterio y mide la calidad de la búsqueda antes de llegar a producción.
Para quién es
- 01AI Engineers que implementan búsqueda semántica o RAG y quieren entender y medir lo que pasa adentro.
- 02Desarrolladores backend que llegan a AI y necesitan decidir con datos, no por moda.
- 03Quienes usan clases de embeddings de un framework y no saben qué revisar cuando algo falla.
- 04Equipos que tienen que elegir un modelo de embeddings y justificarlo.
Antes de empezar
- 01Python básico (funciones, listas, diccionarios, clases) y algo de numpy.
- 02Matemática básica: suma, multiplicación, raíz cuadrada. Los conceptos de vectores y similitud se explican dentro de la guía.
- 03Opcional: una clave de la API de OpenAI para comparar con un modelo de pago.
Temario
01¿Qué son Embeddings?
- Bienvenido al Módulo 1: ¿Qué son Embeddings?
- Definición de Embeddings
- Propiedades Vectoriales de Embeddings
- Espacios Vectoriales de Alta Dimensionalidad
- Casos de Uso Reales de Embeddings
- Embeddings vs Keyword Search
- Arquitectura Overview: Cómo se Generan Embeddings
- Mini-Proyecto: Primer Embedding - Similarity Calculator
02¿Cómo funcionan Embeddings?
- Bienvenido al Módulo 2: ¿Cómo funcionan Embeddings?
- Transformer Encoders: La Arquitectura de Embeddings Modernos
- Tokenización: De Texto a Tokens
- Contextualización: Embeddings que Entienden Contexto
- Pooling Strategies: De Múltiples Tokens a Un Vector
- Normalization: Escalando Embeddings a Magnitud Unitaria
- OpenAI API Advanced: Parámetros y Patterns de Producción
- Mini-Proyecto: API Client Robusto para Producción
03Modelos de Embeddings Comparison
- Introducción al Módulo 3: Modelos de Embeddings Comparison
- OpenAI Embeddings Models: Deep Dive Comparison
- Open-Source Embeddings: Self-Hosted Alternatives
- MTEB: Massive Text Embedding Benchmark
- Latencia y Throughput: Performance Real
- Cost Analysis: Economics de Embeddings
- Domain-Specific y Multilingual Embeddings
- Mini-Proyecto: Benchmark Framework para Modelos de Embeddings
04Evaluación y Chunking Strategies
- Introducción al Módulo 4: Evaluación y Chunking Strategies
- Fixed-Size Chunking: Implementación Práctica
- Semantic Chunking: Respetando Estructura del Documento
- Métricas de Retrieval: Midiendo Performance de RAG
- Crear Evaluation Datasets para RAG
- A/B Testing Chunking Strategies
- Advanced Chunking Patterns
- Mini-Proyecto: Sistema RAG con Chunking Inteligente
05Métricas de Distancia a Fondo
- Introducción al Módulo 5: Métricas de Distancia a Fondo
- Similitud Coseno: La Métrica Estándar
- Distancia Euclidiana: Cuándo Coincide con Coseno y Cuándo No
- Producto Punto y Otras Métricas
- Benchmarks de Rendimiento: Dónde Se Va el Tiempo
- Búsqueda Aproximada (ANN): No Recorrer Todos los Estantes
- Introducción a FAISS: Exacto, HNSW e IVF Medidos
- Proyecto: Comparador de Métricas e Índices
08Proyecto Final Integrador - RAG System Completo
- Módulo 8: Proyecto Final Integrador - RAG System Completo
- Document Ingestion Pipeline
- Chunking & Embedding Pipeline Integration
- Vector Search with FAISS
- Evaluation Framework: Measuring RAG Performance
- Query Expansion & Reranking: Two-Stage Retrieval
- Production Deployment: Freezing and Protecting the Decision
- Conclusions and Next Steps
Reseñas
Lo que dicen los estudiantes
Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.
Aún no hay reseñas aprobadas.
¡Sé el primero en compartir tu experiencia!