Teach on Udemy

Turn what you know into an opportunity and reach millions around the world.

Learn More

Your cart is empty.

Keep shopping

Python: Inteligencia artificial aplicada

Name: Python: Inteligencia artificial aplicada
Rating: 4.6 (13 reviews)

Python, OpenAI, Prompts, Inteligencia Artificial, RAG, Agente, orquestación y más

Created byFernando Herrera, {d/t} - DevTalles, Ricardo Cuéllar

Last updated 8/2026

Spanish

What you'll learn

A crear aplicaciones con IA de forma personalizada y bien estructurada
A integrar servicios con IA usando Python
A crear asistentes usando Python e IA
A crear aplicaciones con y sin librerias indispensables como LangChain

Course content

11 sections • 162 lectures • 18h 46m total length

Bienvenida al curso7:32
¿Cómo funcionará el curso?11:38
¿Cómo hacer preguntas?6:20
Requisitos del curso y software a utilizar6:37
Instalaciones recomendadas9:15

Introducción a la sección2:30
Temas puntuales de la sección0:21
¿Qué vamos a construir?3:59
IA Aplicada vs Machine Learning5:23
Creando proyecto11:25
Obtener APIKey de OpenAI15:17
Tu primera llamada a la API8:56
Solución al ejercicio y uso de tokens8:42
Manejo de errores con la API13:57
Temperature4:26
Proyecto - CLI Chatbot - Crear clase11:43
Proyecto - CLI Chatbot - Obtener costos8:01
Proyecto - CLI Chatbot - Función main16:12
Código fuente de la sección0:11
Fundamentos

Introducción a la sección4:27
Temas puntuales de la sección0:18
¿Qué vamos a construir?2:11
Prompts para desarrolladores10:47
Rol: User8:01
Rol: System6:17
Rol: Assistant7:31
Aplicando roles y prompts13:40
Helper: Creación de cliente4:11
Técnicas de prompting4:35
Zero-shot12:32
Few-shot6:14
Chain-of-Thought14:22
Prompt Templates - Creando template7:24
Prompt Templates - Ejecutar prompt9:51
Código fuente de la sección0:11
Prompts para desarrolladores

Introducción a la sección2:16
Temas puntuales de la sección0:17
¿Qué vamos a construir?7:22
Retornar formato: texto6:22
Retorno formato: JSON10:46
Extractor de noticias10:36
Servicio - Obtener noticias por API10:21
Extractor de noticias por API5:59
Function Calling - Introducción3:51
Function Calling -Tools y función principal11:41
Function Calling - Dispatcher y loop de ejecución12:28
Function Calling - Ejecutando tool13:04
Function Calling - Servicio API10:59
URL para get_coordinates: https://geocoding-api.open-meteo.com/v1/search

URL para get_current_weather_by_city: https://api.open-meteo.com/v1/forecast
Function Calling - Utilizando servicio5:43
Código fuente de la sección0:11
Técnicas de Prompts avanzados (JSON, Function calling)

Introducción a la sección5:10
Temas puntuales de la sección0:25
¿Qué vamos a construir?5:10
Introducción a RAG13:35
El problema de la ventana de contexto9:04
Embeddings8:00
Similitud coseno7:34
Similitud coseno - parte 28:49
Demostración de búsqueda semántica11:55
Bases de datos vectoriales4:09
ChromaDB - Teoría5:14
ChromaDB - Configurando la base de datos8:50
ChromaDB - Agregar documentos3:37
ChromaDB - Buscar documentos similares7:40
ChromaDB - Demo completa13:35
ChromaDB - Analizando base de datos vectorial7:46
RAG pipeline - Crear proyecto8:09
RAG pipeline - Indexación11:01
RAG pipeline - Consulta7:26
RAG pipeline - Respuesta - Contexto9:20
RAG pipeline - Generar respuesta con el LLM7:00
RAG pipeline - Demo completa12:51
Código fuente de la sección0:11
Memoria y Contexto - RAG (Retrieval Augmented Generation)

Introducción a la sección4:12
Temas puntuales de la sección0:17
¿Qué vamos a construir?4:53
Imports y configuración4:25
PDFProcessor10:04
IndexRegistry - Guardar de archivo a memoria9:58
IndexRegistry - Guardar de memoria a archivo3:47
IndexRegistry - Métodos de indexado y properties9:24
ChatWithPDFs - Constructor5:58
Indexar PDFs - Verificar PDFs indexados9:32
IndexarPDFs - Generar chunks de PDFs9:43
Mostrar estatus4:47
Método Chat10:42
Método Chat - Parte 27:20
Main y Demo12:04
Código fuente de la sección0:11
Proyecto - RAG - Chatea con PDFs

Introducción a la sección3:37
Temas puntuales de la sección0:23
¿Qué vamos a construir?7:15
Introducción a LangChain8:49
Arquitectura del proyecto4:02
LangChain charla rápida (opcional)9:41
Nota de actualización - LangChain0:43
UV Gestor de paquetes4:45
Creando proyecto y primeras instalaciones8:38
Archivo de configuración11:14
Cliente LLM (centralizado)8:44
Demo LCEL - Main Function3:08
Cadena simple10:39
Inspección de pasos12:13
Batch10:00
Streaming10:27
Passthrough14:33
Código fuente de la sección0:11
Introducción a LangChain

Introducción a la sección3:23
Temas puntuales de la sección0:18
¿Qué vamos a construir?4:35
Memoria persistente6:20
Interfaz base para memoria4:36
Memoria usando SQLite10:57
Instalación PostgreSQL con Docker9:31
Posibles problemas al usar PostgreSQL con Docker y en local1:01
Memoria usando PostgreSQL8:12
Módulo de memoria para importación2:31
Cadena base del asistente7:26
default_system = """Eres un asistente técnico experto en Python e IA.
Tienes acceso al historial completo de esta conversación.
Úsalo para dar respuestas contextuales y coherentes.
Si el usuario hace referencia a algo anterior, recuérdalo."""
Demo Chatbot - Construir chatbot6:29
Demo Chatbot - Chat session9:27
Demo Chatbot - Chat session - parte 26:15
Demo Chatbot - Main y pruebas12:16
Demo Chatbot - Pruebas con PostgreSQL4:42
Código fuente de la sección0:11
LangChain memoria persistente

Introducción a la sección1:39
Temas puntuales de la sección0:20
¿Qué vamos a construir?7:07
Embeddings - Vector Store6:10
Pipeline RAG - Format Docs4:07
Pipeline RAG con LangChain9:09
Document loader - Cargar archivo8:33
Document loader - Cargar directorio10:17
Document loader - Split documents8:43
Demo RAG - Indexar documentos10:26
Demo RAG - Fuentes consultadas6:05
Demo RAG - Comandos especiales12:40
Demo RAG - Generar respuesta13:19
Código fuente de la sección0:11
LangChain + RAG

Introducción a la sección4:25
Temas puntuales de la sección0:19
¿Qué vamos a construir?7:03
¿Qué es LangGraph?11:24
Estados3:53
Nodo - Analizar pregunta11:38
Nodo - Recuperar documentos7:43
Nodo - Generar respuesta11:15
Función de decisión para Edge Conditional3:19
Construir agente RAG8:04
Módulo de grafos LangGraph1:18
Demo LangGraph - Setup Vectorstore6:20
Demo LangGraph - Memory Backend3:01
Demo LangGraph - Gestión de sesiones12:26
Demo LangGraph - Cargar historial1:26
Demo LangGraph - Guardar mensajes2:42
Demo LangGraph - Run Chat - Comandos especiales7:54
Demo LangGraph - Run Chat - Invocar Grafo3:13
Demo LangGraph - Run Chat - Respuesta7:05
Demo LangGraph - Main4:20
Demo LangGraph - Solucionando errores2:27
Demo LangGraph - Probando flujo completo14:41
Código fuente de la sección0:11
LangGraph

Requirements

Conocimientos en Python, Conocimientos en bases de datos, haber creado prompts sencillos.

Description

Python: Inteligencia Artificial aplicada

Bienvenidos al curso de Python: Inteligencia Artificial aplicada, este curso tiene como objetivo mostrarte el como se estructura un proyecto en Python con Inteligencia Artificial y recorrer junto contigo cada uno de los conceptos importantes en el mundo de la IA.

Este curso te ayudará a entender a como integrar aplicaciones de IA con nuestros conocimientos de Python para crear implementaciones personalizadas.

La Inteligencia Artificial es una de las hábilidades más demandadas del mercado y la que tendrá un crecimiento exponencial en los últimos años. Con los conocimientos base podrás mantenerte en la vanguardia.

Aprendre Python con IA es una inversión en tu futuro como ingeniero de Software. Te dará las herramientas para crear proyectos profesionales, abrir más oportunidades laborales y diferenciarte en un mercado que cada vez demanda más desarrolladores con estas habilidades.

¿Qué aprenderás en el curso?

Estos son algunos de los temas que veremos:

Introducción a la IA Aplicada
APIKey de OpenAI
Tokens
LLM
Promtps
- Zero-shot
- Few-shot
- Chain-of-Thought
- Prompt tempalte
- System prompt
- Roles
Prompts técnicas avanzadas
- JSON return
- Function calling
RAG
Bases de datos vectoriales
Embeddigs
Indexación
Chroma DB
Similitud coseno
LangChain
LCEL
Memoria persistente
- SQLite
- PostgreSQL
LangGraph
Nodos, Edges y Estados
Y muchas cosas más…

Objetivo del curso

El objetivo principal es que conozcas y aprendas IA aplicada con Python para que puedas entender los fundamentos y la escencia para crear proyectos aún más avanzados. Cada sección fue pensada para que conozcas una parte de este mundo de la IA y de conceptos con los que nos atravesamos día a día.

Resultados al finalizar

Al finalizar el curso estarás preparado para:

Enfrentar proyectos y tareas sencillas con Python e IA
Postular a empleos como AI Engineer
Ser parte esencial de un equipo de desarrollo
O incluso lanzar tus propios proyectos que necesiten de la IA de forma personalizada.

¡Te espero en el curso y deseo mucho éxito en tu trayectoria profesional!

Who this course is for:

Desarrolladores de Pyhton que quieren empezar a involucrarse en el mundo de la IA.
Desarrolladores Python principiantes que quieren conocer un área nueva.
Desarrolladores de Software que quieren conocer los conceptos y aplicaciones de la IA con un lenguaje de programación

Python: Inteligencia artificial aplicada

What you'll learn

Explore related topics

Course content

Introducción al curso5 lectures • 41min

Fundamentos14 lectures • 1hr 51min

Prompts para desarrolladores16 lectures • 1hr 53min

Técnicas de Prompts avanzados (JSON, Function calling)15 lectures • 1hr 52min

Memoria y Contexto - RAG (Retrieval Augmented Generation)23 lectures • 2hr 57min

Proyecto - RAG - Chatea con PDFs16 lectures • 1hr 47min

Introducción a LangChain18 lectures • 2hr 9min

LangChain memoria persistente17 lectures • 1hr 38min

LangChain + RAG14 lectures • 1hr 39min

LangGraph23 lectures • 2hr 16min

Requirements

Description

Who this course is for: