Información del curso

Aprende a construir aplicaciones reales con grandes modelos de lenguaje (LLM) en Python, con criterio profesional: llamadas a modelos, salidas estructuradas, herramientas, RAG, agentes y MCP, y además evaluadas, observadas, seguras y desplegadas. Es un curso de nivel intermedio para desarrolladores y analistas que ya programan en Python (el tema 0 repasa lo imprescindible y te indica qué reforzar). Empiezas montando tu laboratorio y entendiendo cómo genera texto un modelo y cuánto cuesta cada llamada, y cierras con un proyecto final para tu portafolio: el asistente de una tienda online que responde con citas a partir de su centro de ayuda, consulta catálogo, reseñas y pedidos con herramientas, pide confirmación antes de actuar y se publica con una API y una interfaz de chat en tu ordenador. Todo se trabaja sobre los datos de «Brisa Hogar», una tienda online ficticia de artículos para el hogar, con su centro de ayuda, consultas de clientes, reseñas, facturas en PDF e imágenes.

Puedes hacerlo gratis de principio a fin. Todo el curso funciona con un modelo local en tu ordenador gracias a Ollama, y las comprobaciones de los ejercicios no usan internet ni claves. Si prefieres usar Claude (Anthropic) u OpenAI, el curso enseña su código nativo y el coste estimado del curso completo es de unos pocos dólares.

Qué incluye: 28 temas en 9 módulos, 7 prácticas y un proyecto final

• Módulo 0 · Antes de empezar — El Python del curso, con un diagnóstico por bloques · Tu laboratorio: uv, Ollama, modelos locales, claves de API y los datos de la tienda
• Módulo 1 · Cómo funciona un LLM y cómo se programa — Qué es la IA generativa · Tokens, contexto, temperatura y costes · La API de mensajes de Ollama, Claude y OpenAI con un cliente común · Streaming, asincronía, errores y reintentos · Práctica 1: tu cliente de modelos
• Módulo 2 · Salidas estructuradas, herramientas y costes — Salidas estructuradas con Pydantic, validación y reparación · Uso de herramientas (function calling) · Control de costes y latencia: tokens, caché de prompts y lotes · Práctica 2: el clasificador de consultas de clientes
• Módulo 3 · Prompts, evaluación y modelos abiertos — Ingeniería de prompts sistemática · Evaluar prompts con datos y un primer LLM como juez · Modelos locales y abiertos: Ollama a fondo, Hugging Face, cuantización y licencias · Práctica 3: banco de pruebas de prompts y modelos
• Módulo 4 · Embeddings, búsqueda semántica y RAG — Embeddings y búsqueda semántica · Bases vectoriales: Chroma, pgvector y búsqueda híbrida · RAG paso a paso con citas · Reordenación, reescritura de consultas y respuestas que saben decir «no lo sé» · Evaluar un sistema RAG · Práctica 4: el centro de ayuda con RAG
• Módulo 5 · Agentes — El bucle de herramientas, memoria, planificación y parada · Model Context Protocol (MCP): servidores y clientes · Frameworks de agentes y sus riesgos, con supervisión humana · Práctica 5: un agente de atención de pedidos
• Módulo 6 · Multimodalidad, evaluación y observabilidad — Imágenes y documentos PDF · Evaluación sistemática con LLM como juez calibrado y pruebas de regresión · Registros, trazas y costes por petición · Práctica 6: facturas y fichas en PDF e imagen
• Módulo 7 · Seguridad, privacidad y ética — Inyección de prompts, fugas de datos y defensas en capas · Privacidad, sesgos, alucinaciones y el Reglamento Europeo de IA en la práctica · Práctica 7: ataca y protege tu asistente
• Módulo 8 · Puesta en producción y proyecto final — Una API con FastAPI · Una interfaz de chat con Streamlit · De la demo a producción: caché, límites de uso, presupuestos y despliegue local · Proyecto final: el asistente de Brisa Hogar

Cada tema trae un PDF propio con código resuelto sobre la tienda y su salida real, un entrenamiento autocorregible (completas funciones en Python y python comprobar.py te dice al momento si son correctas y, si no, qué mirar, sin internet ni claves) con su solución, y una autoevaluación con la explicación de cada respuesta.

A quién va dirigido. A desarrolladores y analistas que programan en Python y quieren incorporar modelos de lenguaje a sus aplicaciones con rigor: midiendo la calidad, el coste y la latencia, y cuidando la seguridad y la privacidad. Requisitos: Python intermedio (el curso «Python desde cero» o lo equivalente) y un equipo tuyo (Windows, macOS o Linux) donde tengas permiso para instalar software, con 8 GB de RAM como mínimo (16 GB recomendados) para el modelo local. No es un curso de deep learning: aquí se usan modelos ya entrenados, no se entrenan.

Metodología. Sin calendario: el curso es autogestionado y tienes 365 días desde la matrícula para recorrerlo cuando mejor te venga. En cada tema estudias un PDF con código ya ejecutado, practicas con ejercicios autocorregibles y superas un cuestionario; cada módulo termina con una práctica individual que ejecutas con un modelo real (el local vale) y que el tutor corrige a medida que llega, con observaciones para mejorarla. Si una práctica no llega al 7, la mejoras con esas observaciones y la vuelves a subir tantas veces como necesites.

Evaluación. Siete prácticas y el proyecto final con rúbrica (90 %; el proyecto final pesa un 21 %) y las autoevaluaciones de los temas (10 %). Apruebas con una nota final de al menos 7 sobre 10 y al menos un 7 en cada práctica y en cada autoevaluación. Al aprobar recibes un certificado de finalización verificable en línea.

Trabajarás con Python 3.13, uv, VS Code y Jupyter, Ollama con modelos abiertos, los SDK de Anthropic y OpenAI, Pydantic, httpx, tiktoken, NumPy, Chroma, Hugging Face, MCP, FastAPI, Streamlit y pytest. Dedicación estimada: 219 horas.