Saltar al contenido
← Programación
Ficha 005.707YouTubeGRATIS

Vector Databases Full Course for Beginners – Embeddings, Similarity Search & ChromaDB

Curso de 100 minutos sobre bases de datos vectoriales: vectores, similitud de coseno, embeddings e indexación, con un proyecto práctico en ChromaDB.

Recomendado, valoración editorial 4 de 5

Duración
1 h 40 min
Nivel
Principiante
Plan sugerido
2 sem. · 2 h/sem.
Veredicto
4/5 · Recomendado
Precio
Gratis

Cursos gratis nuevos cada semana, también en Telegram y WhatsApp

Cada lunes publicamos los cursos que hemos añadido y verificado. Sin cuenta ni correo: únete y te llegan al móvil.

Respuesta rápida

Curso gratis de Programación de nivel principiante en YouTube (1 h 40 min). Nuestra valoración: 4/5, recomendado. Comprobamos que sigue siendo gratis el 17 de noviembre de 2026.

Veredicto
4/5 · Recomendado
Para quién
Personas que quieren entender cómo funcionan las bases de datos vectoriales desde cero
Nivel
Principiante
Duración
1 h 40 min
Precio
Gratis en YouTube
Publicado
2026
Plan sugerido
2 sem. · 2 h/sem.
Verificado
el 17 de noviembre de 2026

Nuestro veredicto

Recomendado, valoración editorial 4 de 5

Un curso bien organizado que combina teoría matemática con una implementación práctica en ChromaDB, ideal para quien quiere entender las bases de datos vectoriales sin conocimientos previos. El único punto a considerar es que está completamente en inglés.

Puntos fuertes

  • Estructura muy clara con capítulos detallados que cubren teoría y práctica de forma progresiva
  • Incluye un proyecto práctico real con ChromaDB, no solo teoría
  • Publicación reciente (2026), relevante para una tecnología en evolución rápida
  • Cubre tanto fundamentos matemáticos como arquitectura interna, algo poco habitual en cursos introductorios

A tener en cuenta

  • El curso está en inglés, sin versión en español
  • No se mencionan ejercicios adicionales ni material descargable
  • Es un único vídeo largo; aunque tiene capítulos, no hay pausas naturales para practicar fuera del proyecto final

De qué trata

Este curso para principiantes explica cómo funcionan las bases de datos vectoriales, desde las matemáticas básicas de los vectores hasta la construcción de un sistema de búsqueda semántica. Recorre conceptos como la similitud de coseno, la distancia euclidiana, la tokenización y los modelos de embeddings, e incluye una demo de generación de embeddings con el modelo de Gemini de Google.

En la segunda mitad entra en la arquitectura interna de una base de datos vectorial, los tipos de índice IVF y HNSW, y culmina con un proyecto práctico de almacenamiento y consulta de embeddings en ChromaDB para realizar búsquedas por significado en lugar de por palabra clave.

  • Vectores, similitud de coseno y distancia euclidiana
  • Tokenización y modelos de embeddings
  • Generación de embeddings con Gemini
  • Arquitectura interna e indexación (IVF y HNSW)
  • Proyecto práctico de búsqueda semántica con ChromaDB

Para quién es este curso

  • Personas que quieren entender cómo funcionan las bases de datos vectoriales desde cero
  • Desarrolladores interesados en construir sistemas de búsqueda semántica con embeddings
  • Quienes empiezan a trabajar con aplicaciones de IA que necesitan almacenar y consultar embeddings

Mejor busca otro si…

  • Quienes ya dominan ChromaDB, embeddings y técnicas de indexación como IVF/HNSW
  • Personas que buscan contenido en español, ya que el curso está en inglés

Antes de empezar

La información publicada del curso no detalla requisitos previos.

Qué sabrás hacer al terminar

  • Entender qué es un vector y cómo se calculan la similitud de coseno y la distancia euclidiana
  • Explicar los conceptos de tokenización y modelos de embeddings
  • Generar embeddings usando el modelo de Gemini de Google
  • Comprender la arquitectura interna de una base de datos vectorial y los índices IVF y HNSW
  • Almacenar y consultar embeddings en ChromaDB para hacer búsquedas por significado

Estructura del curso

  1. Introducción y fundamentos de vectores

    Desde 0:00, presentación del curso y qué es una base de datos vectorial; desde 0:22, explicación de qué son los vectores.

  2. Métricas de similitud

    Desde 0:33, similitud de coseno; desde 0:40, distancia euclidiana, las dos formas principales de medir cercanía entre vectores.

  3. Tokens y embeddings

    Desde 0:45, tokens y tokenización; desde 0:57, embeddings y modelos de embeddings; desde 1:11, demo práctica generando embeddings con Gemini; desde 1:19, visualización de embeddings con PCA.

  4. Arquitectura e indexación

    Desde 1:22, arquitectura interna de una base de datos vectorial; desde 1:26, indexación con IVF y HNSW.

  5. Proyecto práctico con ChromaDB

    Desde 1:29, proyecto de almacenamiento y consulta de embeddings; desde 1:38, búsqueda semántica en acción.

Plan de estudio sugerido

2 semanas · unas 2 h por semana

  1. Semana 1ver desde la introducción hasta embeddings (hasta 1:11), tomando notas de las fórmulas de similitud
  2. Semana 1-2repetir la demo de generación de embeddings con Gemini si tienes acceso a la API
  3. Semana 2ver la parte de arquitectura e indexación (1:22 a 1:29) y repasar conceptos de IVF/HNSW
  4. Semana 2replicar el proyecto de ChromaDB (desde 1:29) instalando la librería y siguiendo los pasos del vídeo

El plan cuenta con tiempo para pausar y practicar, no solo con la duración del vídeo. Si quieres adaptarlo a tu semana, lee cómo montar tu plan de estudio semanal.

Consejos para seguirlo

  1. Instala ChromaDB y consigue acceso a una API de embeddings (como Gemini) antes de llegar al minuto 1:11 para poder seguir la demo en paralelo
  2. Pausa en los capítulos de similitud de coseno y distancia euclidiana para hacer los cálculos a mano con ejemplos sencillos
  3. Dedica tiempo extra a los minutos 1:22-1:29 sobre arquitectura e indexación, ya que son conceptos densos explicados rápido
  4. Reproduce el proyecto final de ChromaDB con tu propio conjunto de datos de texto para afianzar la búsqueda semántica

Cómo lo presenta el autor

Learn how vector databases work, from the math behind vectors to building semantic search with ChromaDB. This beginner course covers vectors, cosine similarity, Euclidean distance, tokenization, and embedding models, then walks through a live demo of generating embeddings with Google's Gemini embedding model. You will also explore the internal architecture of a vector database, including storage,…

Extracto de la descripción original en YouTube.

Preguntas frecuentes

¿Necesito saber programar antes de empezar?

El curso se presenta como apto para principiantes en bases de datos vectoriales, aunque la demo y el proyecto con ChromaDB implican escribir código, así que conviene tener algo de familiaridad con programación.

¿El curso está en español?

No, el curso se imparte en inglés.

¿Qué aprenderé exactamente sobre bases de datos vectoriales?

Cubre desde los fundamentos matemáticos (vectores, similitud de coseno, distancia euclidiana) hasta la arquitectura interna, los índices IVF y HNSW, y un proyecto práctico de búsqueda semántica con ChromaDB.

¿Incluye ejercicios o un proyecto que se pueda replicar?

Sí, el último bloque del curso es un proyecto práctico de almacenamiento y consulta de embeddings en ChromaDB con búsqueda semántica.

Comprueba lo que has aprendido

Preguntas generadas con IA a partir del temario

  1. 1. ¿Qué mide la similitud de coseno entre dos vectores?
  2. 2. ¿Qué calcula la distancia euclidiana entre dos vectores?
  3. 3. ¿Qué es un embedding en el contexto de modelos de lenguaje?
  4. 4. ¿Qué ventaja ofrece el índice HNSW frente a una búsqueda exhaustiva en una base de datos vectorial?
  5. 5. En un proyecto con ChromaDB, ¿qué permite hacer la búsqueda semántica a diferencia de una búsqueda por palabra clave?

0 de 5 respondidas

Análisis editorial elaborado con ayuda de IA a partir de la descripción, los capítulos y la duración publicados en YouTube, y revisado según nuestro método. El contenido del curso es obra de su autor; si ves algún error, avísanos.

Guías para sacarle partido