Nivel Intermedio
31 clases
3 horas de contenido
10 horas de práctica
Descubre cómo la inteligencia artificial interpreta el lenguaje humano a través de potentes modelos de embeddings. Aprende a transformar documentos de texto en vectores y a almacenarlos en bases de datos vectoriales como Chroma y Pinecone. Conoce cómo los LLMs y otros modelos de NLP pueden acceder a esta información para potenciar tus aplicaciones.
Clases del curso
Creación de embeddings
Usando embeddings preentrenados
Bases de datos vectoriales
Conclusiones
Profes del curso
Conoce quién enseña el curso
Proyecto del curso
Buscador semántico de películas
Desarrolla un buscador que funciona con una base de datos vectorial, la cual almacena información en forma de embeddings de veinticinco mil películas. Utiliza búsqueda semántica y potencia tus habilidades con este proyecto de machine learning.
Ver proyectoconocimientos previos
- Programación en Python.
- Uso de APIs.
- Manipulación y transformación de datos con Pandas y Numpy.
- Uso de Google Colab o Jupyter Notebooks.
- Fundamentos de bases de datos.
- Consumo de modelos de la API de OpenAI.
- Uso de modelos del hub de Hugging Face.
- Operación de vectores de álgebra lineal.
software y recursos necesarios
- Jupyter Notebook, Google Colab, Deepnote, etc.
- Python 3.6+
- Cuenta y API Key de OpenAI.
Opiniones del curso
4.8 · 77 opiniones
Gabriel Henao
@gabreduhenao·
Excelente curso. Resolvió muchas de mis dudas respecto al uso de embeddings y bases de datos vectoriales que no encontré en ninguna otra fuente de información. Gracias por el curso.
Jovanny Delgado
@jovannydelgado·
Como potenciar los LLMs con el uso de Embeddings
@amcastrol·
Curso practico, el profe da las bases para iniciar con el embedding y bases vectorales
@cgonzalezv·
Excelente conocimiento del profesor y excelente material para seguir las diferentes partes del manejo de bd vectoriales y búsqueda semántica
Juan Camilo Torres Salas
@torressalasjc·
Muy buen docente, explica muy bien, hace entender cosas que pueden ser complejas con una facilidad que asombra.
Javier Alberto Perez Valdez
@javierperezvaldez·
Explicación completa, clara y de forma simple para un buen entendimiento sobre bases de datos vectoriales.
Alan Stiven Camacho Restrepo
@ascamach·
Muy buenos conocimiento impartidos <3
Veronica Lopez
@veronicalopez32·
excelente
Gerson Gómez Giraldo
@giraldogomez2017·
excelente
Yony Arley Briñez Valderrama
@ybrinez·
Excelente curso, la informacion es muy valiosa y practica, el profesor explica muy bien y los ejercicios te ayudan a comprender
David Alejandro Lopera Betancur
@dloperab·
Uno de los mejores cursos que he tomado en Platzi. Vital ahora con el auge de LLMs
Cristian Percivati
@cpercivatif·
Muy buena introducción general, tanto para los embeddings como para las bases de datos vectoriales. Por supuesto, el material teórico se puede ampliar.
Kevin Ramirez
@kevinrave1804·
Uno de los mejores cursos que he visto, excelente
german mauricio neira vargas
@mauricio830715·
Me facilito bastante el comprender que son los embeddings y como usarlos dentro de los modelos IA
Diana Loboa
@Diana_Coco·
Excelente explicacion, a detalle comence con un proyecto de scraping de un canal de youtube para poner en practica pandas , y continue con el proyecto aqui , relizando el formato y obteniendo la mayor candidad de metadata. y va genial
Horacio Licona González
@horaciolicona0711·
Excelente profesor y muy nutritivo el curso
Fernando Castrillón
@fernandocastrillon500·
Me parece que es el mejor curso para empezar en inteligencia artificial usando texto.
Oscar Javier Perez
@oscar-javier-perez·
El curso es muy completo y el mejor que he tomado en Platzy. Recomiendo que lo tomen con calma y desarrollando los ejercicios. El único "pero" ha sido que en Pinecone no pude replicar los ejercicios, pues en la clase se muestra que Pinecone nos arroja un entorno, pero al hacerlo no se obtuvo (vi en los comentarios que también le pasó a otras personas).
Juan David Aguirre
@Juan_D_Aguirre·
Excelente curso. Muy buen contenido. Mucho aprendizaje. Muy buen profesor.
Eduardo Toledo
@eduardo.toledo·
Lo mas sorprendente es la coherencia en cada una de las exposiciones. Este curso me acelero mi inicial conocimiento
Hector Fabian Rodriguez Acosta
@HectorFabianR17·
Excelente
Ronal Patricio Requena Cisneros
@patricio.requena·
Las explicaciones fueron bastante didácticas y fue fácil entender lo que sucede detrás del código para la creación de embeddings.
Franco Joel Medina
@francomedin·
Que buen curso! Super actual y con contenido práctico en cada video. Lo termino con muchas ganas de aplicar lo aprendido en los próximos días. pd: Streamlit > Gradio
Aaron Jimenez
@Aj2.1·
Los conceptos son un poco dificiles de seguir, pero con la practica y el proyecto se explican bien.
Jerson David Puentes Sanchez
@JersonPuentes·
Comprender cómo funcionan los embeddings y su utilidad
Elias Castellanos
@castellanos-alamilla-elias·
Muy buen curso para comprender mejor como funciona por detrás la lógica de los embeddings pre entrenados como el OpenAIEmbeddings, las bases de datos vectoriales demuestran ser una buena herramienta para crear sistemas de recomendación a partir de representaciones semánticas de nuestro propio lenguaje.
Jose Elier Fajardo
@joselier·
Excelente curso. Todo muy bien explicado por el increible profesor Carlos Alarcon!
@juan.carlos.gonzalez·
good, very good
Edgar A. Gonzalez Ambriz
@EdgarGA·
De los mejores cursos de Platzi. Explicado excelentemente por el profesor quien transmite gran conocimiento del tema
Jason Sepulveda
@jasonssdev·
Un buen curso, bastante bueno, el codigo esta desactualizado, pero si lees la documentacion puedes ir corrigiendolo, o puedes encontrarlo en mi github -> jasonssdev/platzi-embeddings
Comunidad
La comunidad es nuestro super poder
Contenido adicional creado por la comunidad que nunca para de aprender