GuíaBásico
Guía de Semántica en IA
Entiende cómo funcionan los vectores, los espacios vectoriales, las métricas de similaridad y la búsqueda semántica a nivel conceptual — el conocimiento fundacional que hace posible embeddings, vector databases y RAG. Esta guía conceptual te da la base teórica que el 90% de cursos técnicos asume que ya tienes. 8 módulos en 3 fases que te llevan de "¿qué es un vector?" a diseñar arquitecturas de semantic search y entender por qué RAG funciona. Sin álgebra lineal avanzada, sin código, con rigor técnico y accesibilidad.
- 56
- lecciones
- 8
- módulos
- Inglés · Español
- disponible en
- Sí
- certificado
- Gratis
- acceso
Resultados
Lo que vas a poder hacer
- Explicar qué son vectores geométricamente (dirección, magnitud, alta dimensión) sin matemáticas formales
- Entender espacios vectoriales como "universos de significado" donde cercanía equivale a similaridad
- Calcular similaridad coseno conceptualmente y saber cuándo usar cada métrica de distancia
- Diseñar búsqueda k-Nearest Neighbors en papel y entender trade-offs de índices (HNSW, IVF)
- Comparar keyword search vs semantic search con una matriz de decisión práctica
- Diagramar arquitecturas de semantic search (pipeline de indexación, pipeline de query, hybrid search)
- Explicar por qué RAG funciona y por qué la calidad del retrieval determina la calidad del RAG
- Evaluar casos de uso reales: sistemas Q&A, document search, code search, recomendaciones
Antes de empezar
Qué necesitas traer
Es para ti si...
- AI Engineers que quieren entendimiento conceptual profundo antes de implementar embeddings y RAG
- Desarrolladores que usan vector databases y embeddings pero no entienden la teoría detrás de ellos
- Profesionales técnicos transicionando a AI que necesitan la intuición matemática sin el PhD
- Estudiantes del AI Engineering Path entre fundamentos y la implementación práctica de embeddings
- Cualquiera que quiera explicar "cómo funciona semantic search" a su equipo con confianza
Requisitos y materiales
- Guía AI Fundamentals completada (qué es un LLM, qué es un transformer)
- Matemáticas básicas: suma, resta, multiplicación, raíz cuadrada
- Geometría básica: coordenadas cartesianas (x, y), plano 2D
- No se requiere álgebra lineal, código ni experiencia en ML
Contenido
El temario, módulo por módulo
Abre cualquiera para ver sus lecciones.
- 1. Introducción al Módulo: Vectores - La Base de Todo
- 2. ¿Qué es un Vector?
- 3. Vectores en 2D y 3D: Visualización y Coordenadas
- 4. Vectores en Alta Dimensión: De 3D a 1536D
- 5. Operaciones Básicas con Vectores
- 6. Por Qué Vectores en AI: De Palabras a Geometría
- 7. Ejercicio Integrador: Mapear Conceptos a Vectores
- 1. Introducción al Módulo: Espacios Vectoriales - El Universo del Significado
- 2. ¿Qué es un Espacio Vectorial?
- 3. Bases y Dimensiones: Los Ejes del Universo
- 4. Subespacios y Proyecciones: Regiones y Visualización
- 5. Normalización y Transformaciones
- 6. Espacios Semánticos en AI: Cómo LLMs Organizan Significado
- 7. Ejercicio Integrador: Diseñar un Espacio Vectorial Semántico
- 1. Introducción al Módulo: Similaridad y Distancia - Medir Cercanía en el Espacio
- 2. Distancia Euclidiana: La Línea Recta
- 3. Distancia Manhattan y Otras Métricas
- 4. Similaridad Coseno: La Métrica Clave para AI
- 5. Comparación de Métricas
- 6. Métricas en Semantic Search
- 7. Ejercicio Integrador: Calcular y Comparar Métricas
- 1. Introducción al Módulo: Búsqueda por Proximidad - Encontrar Vecinos Cercanos
- 2. kNN Conceptual: K Vecinos Más Cercanos
- 3. Índices de Búsqueda: Exactos vs Aproximados
- 4. HNSW: Grafos Navegables Jerárquicos
- 5. IVF: Inverted File Index y Clustering
- 6. Trade-offs y Decisiones: Elegir el Índice Correcto
- 7. Ejercicio Integrador: Diseñar Estrategia de Búsqueda
- 1. Introducción al Módulo: Keyword vs Semantic Search
- 2. Keyword Search: Búsqueda Tradicional por Palabras Clave
- 3. Semantic Search: Búsqueda Vectorial por Significado
- 4. Comparación: Keyword vs Semantic Search
- 5. Búsqueda Híbrida: Lo Mejor de Ambos Mundos
- 6. Cuándo Usar Cada Método de Búsqueda
- 7. Ejercicio Integrador: Clasificar 10 Queries
- 1. Introducción al Módulo: Diseño de Sistemas de Búsqueda
- 2. Arquitectura General de un Sistema de Búsqueda
- 3. Pipeline de Indexación: Chunking y Embeddings
- 4. Query Processing: De Query a Resultados
- 5. Estrategias de Ranking Avanzadas
- 6. Evaluación de Calidad de Búsqueda
- 7. Casos de Estudio de Sistemas de Búsqueda
- 8. Ejercicio Integrador: Diseñar un Sistema de Búsqueda
- 1. Introducción al Módulo: RAG y Semantic Search
- 2. El Problema que RAG Resuelve
- 3. Arquitectura de RAG: Componentes y Flujos
- 4. Flujo RAG Paso a Paso con Ejemplo Real
- 5. RAG vs Fine-tuning: Cuándo Usar Cada Uno
- 6. Limitaciones de RAG y Cómo Mitigarlas
- 7. Ejercicio Integrador: Diagnosticar Problemas de RAG
Dónde encaja
Esta guía es parte de algo más grande
Se estudia dentro de estos programas, con acompañamiento y fechas.
Dudas frecuentes
Lo que suele preguntarse
Sin límite. Es una guía gratuita: entras cuando quieras, las veces que quieras.
No. Los módulos están ordenados de menos a más, pero puedes saltar al que necesites. Tu progreso se guarda por lección.
Lo que haga falta está en «Qué necesitas traer», arriba. Si no aparece nada ahí, puedes empezar desde cero.
En el grupo de WhatsApp del Club, y cada quince días hay un live con un instructor donde se resuelven dudas en vivo.
Sí. Al terminar todas las lecciones se emite automáticamente, con un código verificable que puedes compartir en LinkedIn.
No. Esta guía es autoguiada y sin fechas. El bootcamp es en vivo, por cohorte, con entregas que alguien revisa.
Empieza cuando quieras
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!