Saltar al contenido

Catálogo de cursos

Bases de datos vectoriales

Busca por significado, no por palabras clave.

La búsqueda moderna con IA se basa en vectores: texto, imágenes y código se convierten en puntos de un espacio de muchas dimensiones, donde la cercanía indica similitud. Empieza por las representaciones vectoriales y los modelos que las generan, aprende las métricas de distancia que ordenan los resultados y domina los índices ANN (HNSW, IVF, cuantización) que agilizan las búsquedas entre miles de millones de vectores. Termina creando búsquedas semánticas e híbridas en Postgres con pgvector y eligiendo el motor adecuado entre Pinecone, Weaviate, Qdrant, Milvus y Chroma.

Empieza con una lección gratisComparar todos los planes

Programa del curso

  1. Sección 1

    Representaciones vectoriales y vectores

    Convierte texto en números que expresan significado. Aprende qué es una representación vectorial, cómo el significado se convierte en geometría y qué modelos elegir en 2026.

    1. ¿Qué es una representación vectorial?
    2. El significado como puntos en el espacio
    3. Dimensiones, tokens y vectores
    4. Elegir un modelo de representaciones vectoriales

  2. Sección 2

    Similitud y distancia

    Cuando el significado se convierte en geometría, ordenar resultados consiste en medir distancias. Aprende sobre el coseno, el producto escalar y L2, cómo elegir una métrica y la maldición de la dimensionalidad.

    1. Similitud del coseno
    2. Producto escalar y distancia euclidiana
    3. Elegir una métrica y kNN
    4. La maldición de la dimensionalidad

  3. Sección 3

    ANN e indexación

    Acelera la búsqueda a gran escala. Aprende sobre índices de vecinos más cercanos aproximados (HNSW, IVF), cuantización para comprimir y el equilibrio entre exhaustividad y latencia que puedes ajustar.

    1. Búsqueda exacta y aproximada
    2. HNSW: el índice de grafo
    3. IVF y agrupación
    4. Cuantización y contrapartidas

  4. Sección 4

    Crear con pgvector

    Implementa búsquedas semánticas reales en Postgres con pgvector y luego conoce los motores especializados. Columnas vectoriales, operadores de distancia, índices HNSW, filtros de metadatos, búsqueda híbrida y criterios para elegir.

    1. Columnas y operadores
    2. Indexación y los k mejores resultados
    3. Filtros y búsqueda híbrida
    4. Elegir una base de datos vectorial

Rutas de aprendizaje

Desarrollo con Python y datos

Analiza datos reales y crea herramientas probadas que se comuniquen de forma segura con API externas y busquen en tus contenidos, usando Python, Git, SQL y búsqueda vectorial.

Secuencia de 10 cursos

Tu idea, en marcha. Empieza en 60 segundos.

Prueba gratis durante 7 días en cualquier plan para nuevos miembros · Cancela cuando quieras

Empezar

Volver a los cursos