Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
Bases de Datos Vectoriales y LLM RAG para Aplicaciones de IA
Bestseller
Role Play
Rating: 4.8 out of 5(99 ratings)
792 students

Bases de Datos Vectoriales y LLM RAG para Aplicaciones de IA

Embeddings, LLM RAG, similitud búsqueda semántica, LangChain, AI, API, Chroma, Pinecone, PostgreSQL, pgVector, Supabase
Created byCarlos Martínez, PhD • Instructor with 20+ Best-Selling Courses, Mercedes Chávez
Last updated 8/2026
Spanish
Spanish [Auto],

What you'll learn

  • Comprender qué es una base vectorial y cómo soporta sistemas RAG con LLMs en entornos reales.
  • Crear colecciones y almacenar documentos en una base vectorial utilizando ChromaDB, Pinecone, pgvector y Supabase.
  • Generar embeddings con OpenAI y evaluar su calidad frente a funciones nativas de ChromaDB
  • Implementar consultas de similitud y recuperar documentos usando distancia vectorial.
  • Construir un sistema RAG base integrando vectorstore, embeddings y un modelo LLM.
  • Integrar ChromaDB con LangChain para fragmentar textos y crear un vectorstore eficiente.
  • Comparar arquitecturas de almacenamiento vectorial como Pinecone, PGVector, Chroma y Supabase
  • Ejecutar un caso de negocio real para diseñar un flujo RAG y presentar resultados ejecutivos.

Course content

6 sections • 63 lectures • 13h 30m total length

  • ¡Bienvenida al Curso!3:51
  • Para tu Conveniencia: ¡Descarga los PDFs de TODAS la Diapositiva del Curso!1:20
  • Estructura del Curso14:13
  • Introducción a la Sección: Fundamentos de Bases Vectoriales2:11

    Bienvenidos a esta sección.
    Antes de entrar a la parte práctica del curso —antes de abrir notebooks, escribir código y comparar motores vectoriales— quiero que construyamos una base conceptual sólida.

    Porque la clave para diseñar buenas soluciones de inteligencia artificial no está solo en “usar herramientas”, sino en entender lo que ocurre dentro de ellas.

    Y eso es exactamente lo que vamos a hacer aquí: abrir la caja negra de las bases vectoriales.

    En los últimos años aparecieron muchas plataformas que permiten arrastrar bloques visuales, conectar APIs y construir agentes con muy poco esfuerzo. Y eso está bien para comenzar. Pero el verdadero valor aparece cuando dejás de ver una base vectorial como un “módulo mágico” y la entendés como una arquitectura matemática que permite recuperar significado, contexto y semántica a partir de vectores.

    Acá vamos a responder preguntas importantes:
    ¿Qué es realmente una base vectorial?
    ¿En qué se diferencia de una base tradicional?
    ¿Por qué los embeddings capturan significado?
    ¿Y por qué esto cambió la forma de buscar y generar contenido con IA?

    Esta sección te va a dar los principios que después vamos a convertir en práctica. Primero entendemos el “por qué”, y luego vamos al “cómo” con las cuatro tecnologías que vamos a trabajar en el curso.

    No vamos a profundizar en teoría por llenar la cabeza de conceptos, sino porque estos fundamentos te dan criterio. Y ese criterio es lo que te convierte en alguien capaz de seleccionar herramientas, justificar decisiones y construir soluciones robustas.

    Así que disfrutá esta parte, tomala como tu base técnica.
    Después, todo lo que construyamos —Chroma, Pinecone, PostgreSQL con pgvector y Supabase— va a tener mucho más sentido.

    Vamos a comenzar.

  • ¿Qué es una base de datos vectorial?12:30

    • Definición sencilla con ejemplos cotidianos.

    • Idea de almacenar “significados” en lugar de texto literal.

    • Breve mención del contexto actual de IA generativa.

    Objetivo: entender qué es una base vectorial sin entrar todavía en lo técnico.

  • Comparación entre las bases vectoriales y las bases relacionales tradicionales11:17

    • Estructura y tipo de consultas: SELECT vs. búsquedas por similitud.

    • Naturaleza de los datos (estructurados vs. no estructurados).

    • Ejemplo: búsqueda exacta vs. búsqueda semántica.

    • Cuándo usar una u otra.

    Objetivo: comprender el “por qué” detrás del surgimiento de las bases vectoriales.

  • Embeddings e Introducción a Retrieval Augmented Generation (RAG)16:58

    • Qué es un embedding (representación numérica de significado).

    • Ejemplos visuales de espacios vectoriales.

    • Cómo se generan los embeddings a partir de texto.

    • Concepto de distancia semántica.

    Objetivo: visualizar cómo los textos se transforman en vectores y qué permite esto.

  • Principios operativos: indexación, recuperación por similitud, eficiencia y métr7:07

    • Cómo las bases vectoriales organizan y buscan información.

    • Conceptos de índice, búsqueda kNN y métricas de similitud.

    • Cómo se optimiza la búsqueda (distancia, velocidad y precisión).

    • Ejemplo: búsqueda de documentos similares en milisegundos.

    Objetivo: entender “cómo funciona por dentro” una base vectorial sin necesidad de código.

  • Explicación ampliada: HNSW (Hierarchical Navigable Small World) e IVF-Flat3:28
  • Medidas de similitud (Cosine Similarity, L2 Norm, Dot Product).6:48

    • Qué miden y cuándo se usa cada una.

    • Ejemplo práctico: medir la similitud entre dos frases.

    • Cómo afectan el resultado de búsqueda.

    Objetivo: dar contexto técnico básico para entender consultas vectoriales más adelante.

  • Ilustrando las medidas de similitud: Coseno, distancia euclidiana y dot product10:28
  • Aplicando métricas de similitud con productos de inversión
  • Solución tarea aplicando métricas de similitud con productos de inversión10:42
  • Modelos de Lenguaje (LLMs) y su relación con las bases vectoriales7:19

    1. Qué es un modelo de lenguaje (explicación simple y accesible).

    2. Cómo aprenden los patrones del lenguaje humano.

    3. Qué limita a los LLMs (falta de memoria, actualización y contexto externo).

    4. Cómo las bases vectoriales actúan como memoria extendida.

    5. Ejemplo práctico: el flujo RAG (Retrieval-Augmented Generation).

    6. Principales modelos actuales (GPT, LLaMA, Claude, Gemini) y cómo interactúan con vectores.

    7. Breve visual o analogía: “el cerebro (LLM) consulta su libreta (vector DB) antes de responder”.

    Objetivo: conectar el mundo de los modelos de lenguaje con las bases vectoriales de forma clara y aplicada.

  • Casos de uso: RAG, búsqueda contextual, recomendadores, clasificación semántica13:06

    • Aplicaciones reales y visuales:

      • Chatbots documentales (RAG).

      • Recomendadores de contenido.

      • Clasificadores y motores de búsqueda inteligentes.

      • Fraudes

    Objetivo: cerrar la conexión entre teoría y práctica.

  • Convenciendo a tu directora de operaciones para implementar un chatbot documental con base vectorial

Requirements

  • No hay requisitos obligatorios. El curso es accesible para todos, pero tener conocimientos básicos de Python y bases de datos relacionales (SQL) te permitirá aprovechar al máximo los proyectos y las explicaciones técnicas.
  • No se requiere software de pago. Trabajaremos con herramientas open-source como ChromaDB, PostgreSQL, pgvector, Docker y pgAdmin, además de los free tiers de servicios como Pinecone y Supabase.

Description

Hoy la inteligencia artificial parece magia. Arrastramos bloques, conectamos APIs y decimos que “creamos un agente”. Pero la verdad es otra: sin entender lo que ocurre dentro —embeddings, búsquedas semánticas, distancias vectoriales, memoria— siempre vamos a depender de plantillas, tutoriales y herramientas que cambian cada mes. Este curso es para quienes ya dieron el primer paso… y ahora quieren profundidad. Para quienes quieren pasar de conectar nodos… a diseñar soluciones de inteligencia artificial con criterio técnico.

Bienvenido al curso “Bases Vectoriales para Aplicaciones de Inteligencia Artificial”. Aquí vas a aprender las bases conceptuales y prácticas que necesitas para construir sistemas de IA con recuperación semántica, memoria y datos reales.

Soy Carlos Martínez. Tengo un MBA en INCAE y un Ph.D. en Management por la Universidad de St. Gallen en Suiza, una universidad líder en estrategia y management. Soy coautor de 25 casos de negocio, algunos incluidos en las bases de Harvard y Michigan, y este es mi curso número 59 en Udemy, con 18 best sellers. Desde hace 5 años ayudo a profesionales a conectar negocio, analítica e inteligencia artificial.

¿Y por qué te menciono esto? Porque en este curso vas a ver pensamiento estructurado, no una colección aleatoria de herramientas. Y porque vengo del mundo empresarial: aquí verás rigor técnico, pero aplicado a casos reales, con criterios que sirven para construir valor en el mundo corporativo.

En este programa vas a aprender 4 bases vectoriales, cada una desde una lógica diferente dentro de una matriz 2x2 que diseñé para guiarte: Chroma, con la que aprenderás la esencia: embeddings, similitud, recuperación, eficiencia. Pinecone, para ver qué significa trabajar con un motor dedicado, gestionado en la nube, listo para producción. PostgreSQL + pgvector, para integrar vectores en bases relacionales, junto con los datos del negocio. Y finalmente Supabase, donde llevamos todo a un entorno real full-stack, combinando relacional + vectorial en la nube, con APIs listas para conectar agentes, n8n y servicios de IA.

Pero no empezamos en la práctica sin base: primero vas a entender qué es una base vectorial, cómo funcionan los embeddings, medidas de similitud, indexación, eficiencia y cómo se conecta todo eso con modelos de lenguaje y RAG. Ese entendimiento te permite tomar decisiones: cuándo usar cada herramienta y por qué.

Este curso es para profesionales que quieren construir aplicaciones de inteligencia artificial reales: desde desarrolladores y analistas… hasta consultores, product owners y personas que ya usan herramientas de IA y ahora quieren ir más allá de la caja negra. No necesitas ser experto, pero si conocés lo básico de Python y bases relacionales, vas a aprovecharlo aún más.

Te llevás todo el código en Python, todos los cuadernos de Jupyter, archivos CSV, ejercicios, PDF con los fundamentos conceptuales, y acceso al foro de preguntas y respuestas —si preguntás con educación, yo respondo y te ayudo. Además, vas a poder practicar tus habilidades de comunicacion con Role Plays, la nueva herramienta de Udemy basada en IA para desarrollar tu criterio y tu forma de explicar soluciones técnicas a un público de negocio.

También tenés garantía de 30 días. No tenés nada que perder. Asi que te invito a que explores las clases gratuitas, revises el contenido y tomes la decisión de dar un paso adelante, para que dejes de conectar nodos… y empeces a diseñar arquitecturas de inteligencia artificial con criterio. Nos vemos en la primera clase.

Who this course is for:

  • Profesionales que ya han creado soluciones básicas con IA (ej. ChatGPT, n8n) y quieren profundizar en las bases vectoriales para construir aplicaciones más robustas y escalables.
  • Analistas, desarrolladores, consultores e ingenieros interesados en RAG que buscan entender qué hay detrás de los embeddings, la similitud vectorial, la fragmentación de datos y la arquitectura de bases vectoriales.
  • Perfiles de negocio y producto que lideran proyectos de IA y necesitan criterio técnico para elegir entre Chroma, Pinecone, PostgreSQL+pgvector o Supabase; y tomar decisiones de arquitectura que impactan en el resultado final.
  • Personas con conocimientos básicos de Python y bases de datos que desean llevar sus habilidades al siguiente nivel y crear sistemas RAG de extremo a extremo con casos de negocio reales.
  • Equipos de transformación digital e innovación que buscan una ruta estructurada para probar, diseñar y presentar soluciones basadas en IA con impacto organizacional.

Report abuse