← Cursos
🎓
BásicocourseAcceso por bootcamp

Guía de Fundamentos de Bases de Datos Vectoriales

``` EN: Learn how vector databases store and retrieve embeddings for RAG systems — from architecture and indexing algorithms to hands-on ChromaDB implementation and production decision-making. ES: Aprende cómo funcionan las vector databases por dentro, por qué las necesitas para sistemas RAG y cómo elegir la correcta para tu proyecto. Esta guía te lleva desde los fundamentos (arquitectura, algoritmos de indexing, features esenciales) hasta implementación hands-on con ChromaDB y un proyecto integrador de RAG con 1,000+ documentos y API FastAPI. Al terminar, sabrás implementar storage y retrieval de vectores para producción — y tendrás criterio para decidir entre ChromaDB, Pinecone, Weaviate y Qdrant según tus requisitos reales. ```

67

Lecciones

8

Módulos

🎓

Acceso por bootcamp

Lo que aprenderás

✓Entender por qué los sistemas RAG necesitan vector databases (y cuándo SQL, NoSQL o numpy son suficientes)
✓Explicar cómo funcionan las vector databases por dentro: arquitectura, algoritmos HNSW, IVF y PQ
✓Identificar features esenciales para RAG en producción: metadata filtering, hybrid search, multi-tenancy, batch operations
✓Implementar ChromaDB desde setup hasta similarity search optimizado con metadata filtering
✓Construir un sistema RAG completo: ingestion de documentos, indexing, retrieval y generation con FastAPI
✓Comparar Pinecone, Weaviate, Qdrant y Milvus — features, pricing y trade-offs de arquitectura
✓Aplicar un framework de decisión para elegir la vector database correcta según el proyecto
✓Diseñar estrategias de producción: scaling, monitoring, backups, migraciones y optimización de costos

¿Para quién es?

  • •AI Engineers construyendo sistemas RAG que necesitan almacenar y buscar embeddings a escala
  • •Desarrolladores que completaron la guía Embeddings Deep Dive y quieren implementar vector storage para producción
  • •Ingenieros backend evaluando opciones de vector databases (ChromaDB vs Pinecone vs Weaviate) para sus proyectos de AI
  • •Estudiantes que se preparan para las semanas 7-9 del AI Engineering Bootcamp (módulos de implementación RAG)

Requisitos

  • •Guía Embeddings Deep Dive completada (Guía #6): cómo generar embeddings, distance metrics, semantic search con numpy
  • •Guía AI Semantics completada (Guía #5): qué son los vectores, similaridad coseno, keyword vs semantic search
  • •Python intermedio: funciones, clases, async/await, paquetes pip
  • •Familiaridad básica con REST APIs (requests, endpoints, JSON)

Contenido del curso

1Módulo 1: Por qué Vector Databases para AI Engineers8 lecciones
2Módulo 2: Cómo funcionan Vector Databases (Conceptual)8 lecciones
3Módulo 3: Features Esenciales para RAG8 lecciones
4Módulo 4: ChromaDB Setup y Pipeline RAG Completo11 lecciones
5Módulo 5: Landscape de Vector Databases para AI Engineers8 lecciones
6Módulo 6: Decision Matrix para AI Engineers8 lecciones
7Módulo 7: Production Considerations para RAG8 lecciones
8Módulo 8: Proyecto Integrador - RAG System con ChromaDB8 lecciones
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!