Temario del curso

Introducción

  • ¿Qué son las bases de datos vectoriales?
  • Bases de datos vectoriales vs bases de datos tradicionales
  • Panorama de embeddings vectoriales

Generación de Embeddings Vectoriales

  • Técnicas para crear embeddings a partir de diversos tipos de datos
  • Herramientas y bibliotecas para la generación de embeddings
  • Mejores prácticas para la calidad y dimensionalidad de los embeddings

Indexación y Recuperación en Bases de Datos Vectoriales

  • Estrategias de indexación para bases de datos vectoriales
  • Construcción y optimización de índices para rendimiento
  • Algoritmos de búsqueda de similitud y sus aplicaciones

Bases de Datos Vectoriales en Aprendizaje Automático (ML)

  • Integración de bases de datos vectoriales con modelos ML
  • Resolución de problemas comunes al integrar bases de datos vectoriales con modelos ML
  • Casos de uso: sistemas de recomendación, recuperación de imágenes, NLP
  • Estudios de caso: implementaciones exitosas de bases de datos vectoriales

Escalabilidad y Rendimiento

  • Desafíos en la escalabilidad de bases de datos vectoriales
  • Técnicas para bases de datos vectoriales distribuidas
  • Métricas y monitoreo de rendimiento

Trabajo en Proyectos y Estudios de Caso

  • Proyecto práctico: implementación de una solución con base de datos vectorial
  • Revisión de investigaciones y aplicaciones de vanguardia
  • Presentaciones en grupo y retroalimentación

Resumen y Pasos Siguientes

Requerimientos

  • Conocimientos básicos de bases de datos y estructuras de datos
  • Familiaridad con conceptos de aprendizaje automático
  • Experiencia con un lenguaje de programación (preferiblemente Python)

Audiencia

  • Científicos de datos
  • Ingenieros de aprendizaje automático
  • Desarrolladores de software
  • Administradores de bases de datos
 14 Horas

Número de participantes


Precio por Participante​

Próximos cursos

Categorías Relacionadas