Usted está aquí: / / / / Curso Langchain y LLM Online. Aplicaciones IA en Python

Curso Langchain y LLM Online. Aplicaciones IA en Python

Descubre cómo puedes integrar en el desarrollo con Python de tus aplicaciones los Modelos de Lenguaje Extenso (LLM, Large Language Model) con LangChain. Aprende a unir el desarrollo en Python con el poder de la Inteligencia Artificial para optimizar tu trabajo.

curso langchain

Curso Langchain y LLM Online. Aplicaciones IA en Python

Descubre cómo puedes integrar en el desarrollo con Python de tus aplicaciones los Modelos de Lenguaje Extenso (LLM, Large Language Model) con LangChain. Aprende a unir el desarrollo en Python con el poder de la Inteligencia Artificial para optimizar tu trabajo.

curso langchain
Avanzado 35 Horas Online 100% Bonificable 6 Lecciones Acceso Inmediato en Autoestudio Temario

100% BONIFICABLE FUNDAE

  • Duración: 4 semanas
  • Bonificable para Empleados
  • Ejercicios prácticos
  • Título propio Digital Credential
  • Inicio Tutorizado: convocatorias mensuales
  • Inicio Autoestudio: Inmediato
Añadir a Carrito - Tutorizado / 262,5€
Añadir a Carrito - Autoestudio / 210€
Comprar Tutorizado Ahora - 262,5€
Comprar Autoestudio Ahora - 210€

*IVA no incluido

¿ERES EMPRESA?
¿Quieres matricular a tus empleados?

Pulsa aquí

cursos online

Descripción

LangChain es el framework donde desarrollamos aplicaciones de IA basadas en LLMs, nos da las herramientas y estructura para integrar estos modelos con otras fuentes de datos y sistemas. Con LangChain los desarrolladores pueden crear aplicaciones complejas relacionadas con Inteligencia Artificial además de incorporar agentes para la toma de decisiones y la creación de flujos de trabajo.

A través de la librería LangChain para Python podemos ver que cuenta con una estructura sólida y con herramientas que nos ayudan al desarrollo de aplicaciones con LLMs. Todo tipo de aplicaciones ya integran LongChain y LLMs en Python como puedan ser los chatbots o asistentes virtuales que se conectan con APIs o bases de datos que nos ofrecen respuestas precisas. También se utilizan en sistemas de recomendación que nos las ofrecerá en base a nuestros textos. Con LangChain se pueden automatizar tareas, así como procesar textos a gran escala o generar contenido de forma automática.

Con LangChain podemos crear nuestras propias aplicaciones de IA que se podrán adaptar a otros LLMs en el futuro si fuera necesario con tan solo cambiar la conexión. Gracias a la memoria que también nos aporta podemos crear flujos de trabajo complejos, haciendo que sea una gran herramienta.

Objetivos

  • Comprender qué son los Large Language Models (LLMs) y cómo interactuar con ellos de manera efectiva.
  • Conocer la arquitectura y los componentes principales de Langchain.
  • Configurar APIs para conectar con LLMs.
  • Diseñar y aplicar con Langchain las plantillas de prompts para optimizar la entrada de datos en LLMs.
  • Estandarizar tus desarrollos de IA con Langchain y poder usar o cambiar a cualquier otro LLM sin esfuerzo.
  • Parsear y procesar la salida de los modelos LLM para obtener resultados útiles.
  • Transformar documentos y manejar cargadores para integraciones con plataformas como Google y AWS.
  • Crear embeddings de texto y almacenar vectores en bases de datos para potenciar los LLMs con tus propios datos.
  • Optimizar resultados mediante la compresión de datos utilizando LLMs.
  • Diseñar modelos de cadena secuencial simples y avanzados en Langchain.
  • Enrutar cadenas con LLMRouterChain para mejorar la estructura y flujo de las aplicaciones.
  • Entender el concepto de memoria en Langchain y cómo implementarla.
  • Desarrollar agentes que utilicen motores de búsqueda para mejorar sus respuestas.
  • Crear agentes programadores de código y herramientas personalizadas.
  • Implementar agentes conversacionales que puedan interactuar de manera efectiva utilizando LLMs y Langchain.
  • Aplicar el conocimiento adquirido para crear sistemas RAG con bases de datos vectoriales.
  • Crear agentes que realicen análisis automáticos de SQL a partir de consultas en lenguaje natural.

Público

  • Profesionales interesados en integrar modelos de lenguaje avanzados (LLMs) en sus aplicaciones.
  • Desarrolladores que deseen aprender a utilizar herramientas modernas como Langchain para mejorar la interacción con los usuarios.
  • Ingenieros de datos que buscan optimizar el procesamiento y almacenamiento de datos utilizando embeddings y bases de datos vectoriales.
  • Profesionales que desean explorar las capacidades de los LLMs y su aplicación en diversas industrias.
  • Innovadores que buscan crear productos y servicios basados en inteligencia artificial creando potentes aplicaciones con Langchain.
  • Líderes que desean comprender cómo las tecnologías de LLMs y Langchain pueden transformar sus negocios y procesos operativos.
  • Alumnos que deseen adquirir habilidades prácticas en el uso de tecnologías de vanguardia en inteligencia artificial y procesamiento de lenguaje natural.
  • Estudiantes que buscan proyectos aplicados que les permitan poner en práctica conceptos teóricos.
  • Personas con un interés general en el campo de la inteligencia artificial que desean explorar sus aplicaciones prácticas.
  • Entusiastas que buscan una introducción comprensiva a la tecnología detrás de los LLMs y su implementación con Langchain.

 

Temario

  • ¿Qué es un Large Language Model (LLM)?
  • ¿Qué es Langchain y cuáles son sus componentes?
  • Instalación de Python y librería Langchain
  • ¿Qué es una API? Configuración de la cuenta OpenAI y API Key
  • Interacción y uso de Langchain con LLMs y Modelos de Chat
  • Plantillas de prompts con Langchain para el modelo de entrada
  • Parsear y procesar la salida
  • Serialización de prompts (guardar y cargar)
  • Cargadores de documentos
  • Caso de uso – Carga de ficheros pdf y conexión con LLM para resumen de documentos
  • Cargadores de documentos – integraciones con otras plataformas (Google, AWS, Wikipedia,…)
  • Transformación de documentos
  • Incrustación de texto y creación de vectores (embeddings)
  • Almacenamiento de vectores en base de datos
  • Compresión y optimización de resultados a partir de LLMs
  • ¿Qué son las cadenas y cómo crear el primero modelo de cadena secuencial simple?
  • Construcción del Modelo Secuencial Completo
  • Enrutamiento a cadenas con LLMRouterChain
  • Cadenas de Transformación
  • Cadenas para Preguntas y Respuestas sobre nuestros datos
  • ¿Qué es la memoria en Langchain y qué tipos de memoria podemos implementar?
  • Creación de Buffer de Memoria completa de una Conversación
  • Creación de Buffer de Memoria con Ventana
  • Creación de Buffer de Memoria Resumida
  • ¿Qué son los agentes y cómo implementar un primer caso de uso?
  • Creación de agente potenciado con motor de búsqueda
  • Creación de agente programador de código
  • Creación de herramientas personalizadas
  • Agentes conversacionales con memoria
  • PROYECTO: Creación de Agente Chatbot con memoria a partir de sistema RAG con nuestra BD Vectorial
  • PROYECTO: Creación de Agente para Análisis automático SQL a partir de consultas en lenguaje natural
Descargar Temario

Descripción

LangChain es el framework donde desarrollamos aplicaciones de IA basadas en LLMs, nos da las herramientas y estructura para integrar estos modelos con otras fuentes de datos y sistemas. Con LangChain los desarrolladores pueden crear aplicaciones complejas relacionadas con Inteligencia Artificial además de incorporar agentes para la toma de decisiones y la creación de flujos de trabajo.

A través de la librería LangChain para Python podemos ver que cuenta con una estructura sólida y con herramientas que nos ayudan al desarrollo de aplicaciones con LLMs. Todo tipo de aplicaciones ya integran LongChain y LLMs en Python como puedan ser los chatbots o asistentes virtuales que se conectan con APIs o bases de datos que nos ofrecen respuestas precisas. También se utilizan en sistemas de recomendación que nos las ofrecerá en base a nuestros textos. Con LangChain se pueden automatizar tareas, así como procesar textos a gran escala o generar contenido de forma automática.

Con LangChain podemos crear nuestras propias aplicaciones de IA que se podrán adaptar a otros LLMs en el futuro si fuera necesario con tan solo cambiar la conexión. Gracias a la memoria que también nos aporta podemos crear flujos de trabajo complejos, haciendo que sea una gran herramienta.

Objetivos

  • Comprender qué son los Large Language Models (LLMs) y cómo interactuar con ellos de manera efectiva.
  • Conocer la arquitectura y los componentes principales de Langchain.
  • Configurar APIs para conectar con LLMs.
  • Diseñar y aplicar con Langchain las plantillas de prompts para optimizar la entrada de datos en LLMs.
  • Estandarizar tus desarrollos de IA con Langchain y poder usar o cambiar a cualquier otro LLM sin esfuerzo.
  • Parsear y procesar la salida de los modelos LLM para obtener resultados útiles.
  • Transformar documentos y manejar cargadores para integraciones con plataformas como Google y AWS.
  • Crear embeddings de texto y almacenar vectores en bases de datos para potenciar los LLMs con tus propios datos.
  • Optimizar resultados mediante la compresión de datos utilizando LLMs.
  • Diseñar modelos de cadena secuencial simples y avanzados en Langchain.
  • Enrutar cadenas con LLMRouterChain para mejorar la estructura y flujo de las aplicaciones.
  • Entender el concepto de memoria en Langchain y cómo implementarla.
  • Desarrollar agentes que utilicen motores de búsqueda para mejorar sus respuestas.
  • Crear agentes programadores de código y herramientas personalizadas.
  • Implementar agentes conversacionales que puedan interactuar de manera efectiva utilizando LLMs y Langchain.
  • Aplicar el conocimiento adquirido para crear sistemas RAG con bases de datos vectoriales.
  • Crear agentes que realicen análisis automáticos de SQL a partir de consultas en lenguaje natural.

Público

  • Profesionales interesados en integrar modelos de lenguaje avanzados (LLMs) en sus aplicaciones.
  • Desarrolladores que deseen aprender a utilizar herramientas modernas como Langchain para mejorar la interacción con los usuarios.
  • Ingenieros de datos que buscan optimizar el procesamiento y almacenamiento de datos utilizando embeddings y bases de datos vectoriales.
  • Profesionales que desean explorar las capacidades de los LLMs y su aplicación en diversas industrias.
  • Innovadores que buscan crear productos y servicios basados en inteligencia artificial creando potentes aplicaciones con Langchain.
  • Líderes que desean comprender cómo las tecnologías de LLMs y Langchain pueden transformar sus negocios y procesos operativos.
  • Alumnos que deseen adquirir habilidades prácticas en el uso de tecnologías de vanguardia en inteligencia artificial y procesamiento de lenguaje natural.
  • Estudiantes que buscan proyectos aplicados que les permitan poner en práctica conceptos teóricos.
  • Personas con un interés general en el campo de la inteligencia artificial que desean explorar sus aplicaciones prácticas.
  • Entusiastas que buscan una introducción comprensiva a la tecnología detrás de los LLMs y su implementación con Langchain.

 

Temario

  • ¿Qué es un Large Language Model (LLM)?
  • ¿Qué es Langchain y cuáles son sus componentes?
  • Instalación de Python y librería Langchain
  • ¿Qué es una API? Configuración de la cuenta OpenAI y API Key
  • Interacción y uso de Langchain con LLMs y Modelos de Chat
  • Plantillas de prompts con Langchain para el modelo de entrada
  • Parsear y procesar la salida
  • Serialización de prompts (guardar y cargar)
  • Cargadores de documentos
  • Caso de uso – Carga de ficheros pdf y conexión con LLM para resumen de documentos
  • Cargadores de documentos – integraciones con otras plataformas (Google, AWS, Wikipedia,…)
  • Transformación de documentos
  • Incrustación de texto y creación de vectores (embeddings)
  • Almacenamiento de vectores en base de datos
  • Compresión y optimización de resultados a partir de LLMs
  • ¿Qué son las cadenas y cómo crear el primero modelo de cadena secuencial simple?
  • Construcción del Modelo Secuencial Completo
  • Enrutamiento a cadenas con LLMRouterChain
  • Cadenas de Transformación
  • Cadenas para Preguntas y Respuestas sobre nuestros datos
  • ¿Qué es la memoria en Langchain y qué tipos de memoria podemos implementar?
  • Creación de Buffer de Memoria completa de una Conversación
  • Creación de Buffer de Memoria con Ventana
  • Creación de Buffer de Memoria Resumida
  • ¿Qué son los agentes y cómo implementar un primer caso de uso?
  • Creación de agente potenciado con motor de búsqueda
  • Creación de agente programador de código
  • Creación de herramientas personalizadas
  • Agentes conversacionales con memoria
  • PROYECTO: Creación de Agente Chatbot con memoria a partir de sistema RAG con nuestra BD Vectorial
  • PROYECTO: Creación de Agente para Análisis automático SQL a partir de consultas en lenguaje natural
Descargar Temario

100% BONIFICABLE FUNDAE

  • Duración: 4 semanas
  • Bonificable para Empleados
  • Ejercicios prácticos
  • Título propio Digital Credential
  • Inicio Tutorizado: convocatorias mensuales
  • Inicio Autoestudio: Inmediato
Añadir a Carrito - Tutorizado / 262,5€
Añadir a Carrito - Autoestudio / 210€
Comprar Tutorizado Ahora - 262,5€
Comprar Autoestudio Ahora - 210€

*IVA no incluido

¿ERES EMPRESA?
¿Quieres matricular a tus empleados?

Pulsa aquí

cursos online
Cursos relacionados

Complementa tu formación con estos cursos

Productos relacionados

¿Para qué sirven Langchain y LLM??

La unión de Langchain con los LLMs nos sirve para el desarrollo de aplicaciones de IA de un nivel avanzado con las que se procesan y generan textos naturales. Con LangChain podemos integrar LLMs con diferentes fuentes de datos, APIs… De esta forma podemos crear chatbots o sistemas automatizados. GPT, que es un LLMs, puede entender y generar lenguaje humano, siendo de gran utilidad para responder preguntas, generar contenido, traducir textos…