Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
Chatbot para educación con LangChain y Groq
11 students

Chatbot para educación con LangChain y Groq

Chatbot para docencia, especializado en recuperar información de apuntes de curso.
Last updated 7/2025
Spanish

What you'll learn

  • Construir un chatbot que responda consultas en base a información fidedigna proporcionada por el docente.
  • Elementos básicos de procesamiento del lenguaje natural (Natural Language Processing, NLP), como tokenización y incrustación ("embedding").
  • Fundamentos de modelos de lenguaje de gran escala (Large Language Models, LLM). Uso de la plataforma LangChain para interactuar con diversos LLM.
  • Construir un sistema RAG (Retrieval Augmented Generation) para incorporar información externa a un LLM.
  • Operar con cadenas (chains) y agentes de la plataforma LangChain

Course content

27 sections166 lectures8h 45m total length
  • Planteo de la situación2:32
  • Definición de chatbot1:16
  • Aplicaciones de un chatbot personalizado3:43
  • Objetivos de proyecto3:00
  • Organización y programa del curso1:43

    Chatbot personalizado con LangChain y Groq


    Sección 1

    Objetivos y organización del curso

    Planteo de la situación

    Impacto de esta limitación

    Objetivos del curso

    Definición de chatbot


    Sección 2

    Preparación del entorno de trabajo

    Crear carpetas

    Instalar Python

    Crear un entorno virtual

    Implementar Jupyter Notebook


    Sección 3

    La plataforma LangChain

    Módulos de LangChain

    Características y ventajas de LC

    Sitio de LangChain

    Instalar LangChain


    Sección 4

    El sistema RAG (Retrieval Augmented Generation)

    Organización de un sistema RAG

    Indexación

    Recuperación

    Generación de la respuesta

    Resumen del protocolo RAG


    Sección 5

    Modelos de lenguaje: Introducción

    NLP y LLM

    LLM y lenguaje natural

    Aprendizaje en contexto ("in-context learning")

    Sintonización fina ("fine-tuning") versus


    Sección 6

    Modelos de lenguaje: Implementación

    La plataforma Groq

    Obtener la clave API Groq

    Almacenar la clave API Groq

    Groq Inc. y la plataforma ChatGroq

    El sitio Groq

    Implementación de ChatGroq

    Sección 7

    Modelos de lenguaje: codificación

    Implementación de ChatGroq

    Modelos de texto y modelos chat, o conversacionales

    Sintaxis de mensajes

    Mensajes como tuplas

    Mensajes con clases SystemMessage, HumanMessage y AIMessage NB

    Modelos chat y memoria

    Parámetros de control en LLMs: temperature, max_tokens

    Explorar los metadatos

    Modificar temperatura y max_tokens en el modelo gemma

    Resumen de modelos de lenguaje en LangChain


    Sección 8

    Cargador de documentos (“Document loader”)

    Propósito e implementación

    Carga de archivos de texto

    Carga de archivos CSV

    Carga de documentos en PDF

    Carga de transcripciones de YouTube

    Carga de páginas en sitios web

    Carga de artículos en arXiv

    Carga colectiva de archivos en un directorio

    Resumen de cargadores de documentos


    Sección 9

    Partición de texto (“text splitting”)

    Ventana de contexto

    Eficiencia del análisis semántico

    El problema de "perdido en el medio"

    Mecanismos de partición

    Partición de textos y "chunks"

    Tamaño y solapamiento de chunks

    Partición mal hecha



    Sección 10

    Partición de texto - Codificación

    Métodos asociados

    CharacterTextSplitter

    RecursiveCharacterTextSplitter

    ChunkViz

    Resumen de partición de textos



    Sección 11

    Tokenización y codificación

    Precursores: Bag-of-Words, TF-IDF

    Tokenización

    Codificación



    Sección 12

    Incrustación ("embedding")

    ¿Porqué convertir a vectores?

    Incrustación ("embedding")

    Modelos de incrustación

    La plataforma HuggingFace

    Precursores de la incrustación

    Resumen de incrustación



    Sección 13

    El espacio vectorial ("vector store")

    Propiedades de un espacio vectorial

    Vector stores integrados a LangChain

    Espacio vectorial con ChromaDB

    Espacio vectorial con FAISS (Facebook AI Similarity Search)

    Resumen de espacio vectorial



    Sección 14

    Recuperación selectiva de datos - Fundamentos

    Propósito

    Mecanismos de recuperación

    Rutinas del vector store

    Búsqueda por similitud semántica

    Métricas de similitud semántica

    MMR (Maximum Marginal Relevance)

    Rutinas del módulo Retriever

    Vector store-backed retriever

    ParentDocumentRetriever

    LongContextReorder

    Resumen de recuperación



    Sección 15

    Recuperación selectiva de datos - Codificación

    Comparación entre similitud del coseno y distancia euclidiana en documentos de similarity_search

    Maximum Marginal Relevance (MMR)



    Sección 16

    El módulo Retrieval

    El método as_retriever()

    ParentDocumentRetriever

    Compresor de contexto (“contextual compression”)

    LongContextReorderRetriever

    Resumen de recuperadores



    Sección 17

    Comunicación con el modelo: el prompt

    Organización de un prompt

    Procesamiento de un prompt 62

    Sensibilidad de un LLM a la redacción de un prompt



    Sección 18

    Plantillas de prompt

    Tipos de plantilla de prompt

    Plantilla PromptTemplate

    Plantilla FewShotPromptTemplate

    Plantilla ChatPromptTemplate

    Plantilla MessagePromptTemplate

    Chain-of-Thought (“cadena de razonamiento”)

    Revisión del uso de variables dinámicas en prompts

    Resumen de plantillas de prompt



    Sección 19

    Chains - Fundamentos y Codificación

    Fundamentos

    LCEL (LangChain Expression Language)

    Contrucción de cadenas



    Sección 20

    Analizadores sintácticos ("output parsers")

    Propósito

    Revisión de instrucciones

    StrOutputParser

    CommaSeparatedListOutputParser

    DatetimeOutputParser

    Resumen de analizadores sintácticos.



    Sección 21

    LCEL (LangChain Expression Language)

    Métodos de los runnables

    Entradas y salidas de runnables

    RunnableSequence,RunnableParallel

    RunnablePassthrough, RunnableLambda



    Sección 22

    LCEL - Codificación

    Cadenas con RunnableSequence y RunnableParallel

    Chatbot RAG y cadena

    El schema

    Representacion gráfica de una cadena

    Invocar dos modelos

    RunnableLambda – Cadenas con funciones personalizadas

    Chain of Thought prompting

    Constructores prediseñados

    Stuff documents – Codificación

    Cadenas con memoria

    Resumen de cadenas (“chains”)



    Sección 23

    Adecuación de Legacy Chains

    Deprecated

    Remplazo de LLMChain

    Remplazo de RetrievalQA



    Sección 24

    Agentes

    Presentación

    Agentes versus Chains

    Herramientas (Tools)

    Construcción y ejecución de agentes

    Resumen de agentes



    Sección 25

    Agentes - Codificación

    El prompt ReAct para agentes

    Herramientas preconfiguradas: Wikipedia

    Agente de búsqueda con Tavily

    Herramientas personalizadas

    Algebra con agentes

    Resumen de agentes


    Sección 26

    Recopilación

    Chatbot sin usar RAG

    Chatbot con RAG – Sin particionador

    Chatbot con RAG – Con particionador

    Chatbot con Chain


    Sección 27

    Extras

  • Descarga de scripts y de ejercicios de codificación0:33

    Instrucciones para descargar los scripts y otro material del curso.

  • Cuestionario0:17

Requirements

  • Todos los programas utilizados son de acceso libre y gratuito.
  • Es necesario tener conocimientos básicos de Python (hasta el nivel de estructuras de control de flujo, funciones y módulos).

Description

Este curso le introducirá en el mundo de la Inteligencia Artificial y del Aprendizaje Automatizado (Machine Learning). Al tiempo que construye un chatbot que supera a ChatGPT en dominios específicos, aprenderá conceptos esenciales sobre el procesamiento del lenguaje natural (NLP) y sobre modelos de lenguaje de gran escala (LLM).

El aprendizaje se basa en la práctica. Paso a paso resolverá cómo cargar información externa, cómo procesarla para que un LLM la asimile, y cómo lograr que ese LLM genere una respuesta coherente a una consulta. El proceso implica desarrollar un sistema RAG (Retrieval Augmented Generation). Al finalizar el curso habrá construído no uno sino varios chatbots de variada complejidad y con diferentes fines, y habrá adquirido la habilidad para adaptar los ejemplos a requerimientos específicos.

El nivel del curso es exigente. Deben tener conocimientos básicos de Python, al menos hasta el nivel de estructuras de control de flujo, funciones e importación de módulos, y estar dispuestos a repasar determinados temas y procedimientos en Python.

En cambio, no es necesario que tengan experiencia previa con LangChain o con Groq.

A lo largo del curso se introducen numerosos recursos, tanto de Python como de LangChain. Los programas y APIs usados en el curso son gratuitos.

Le invitamos a acompañarnos en este aprendizaje.

Who this course is for:

  • Este curso está diseñado para dos tipos de destinatarios. Por un lado un profesor que desea que los alumnos consulten material fidedigno en vez de deambular por internet bajo riesgo de recabar información inapropiada. Y por otro lado, alumnos que desean disponer rápidamente de acceso a material didáctico especialmente compilado y cargado por ellos.
  • Y, por supuesto, quienquiera que desee enfrentar el desafío de construir un chatbot, ya sea por diversión, para uso personal, o para ofrecer servicios a terceros. Interesados en dar un primer paso hacia el interior de la inteligencia artificial y los modelos de lenguaje. Estudiantes, profesionales y académicos pueden beneficiarse con los conceptos dados en el curso, aun cuando la construcción de un chatbot no sea el fin prioritario.