Desarrolla Aplicaciones de IA Avanzadas con Langchain y LLM en Python

1.1 ¿Qué es un Large Language Model (LLM)?
1.2 ¿Qué es Langchain y cuáles son sus componentes?
1.3 Instalación de Python y librería Langchain
1.4 ¿Qué es una API? Configuración de la cuenta OpenAI y API Key

2.1 Interacción y uso de Langchain con LLMs y Modelos de Chat
2.2 Plantillas de prompts con Langchain para el modelo de entrada
2.3 Parsear y procesar la salida
2.4 Serialización de prompts (guardar y cargar)

3.1 Cargadores de documentos
3.2 Caso de uso – Carga de ficheros pdf y conexión con LLM para resumen de documentos
3.3 Cargadores de documentos – integraciones con otras plataformas (Google, AWS, Wikipedia,…)
3.4 Transformación de documentos
3.5 Incrustación de texto y creación de vectores (embeddings)
3.6 Almacenamiento de vectores en base de datos
3.7 Compresión y optimización de resultados a partir de LLMs

4.1 ¿Qué son las cadenas y cómo crear el primero modelo de cadena secuencial simple?
4.2 Construcción del Modelo Secuencial Completo
4.3 Enrutamiento a cadenas con LLMRouterChain
4.4 Cadenas de Transformación
4.5 Cadenas para Preguntas y Respuestas sobre nuestros datos

5.1 ¿Qué es la memoria en Langchain y qué tipos de memoria podemos implementar?
5.2 Creación de Buffer de Memoria completa de una Conversación
5.3 Creación de Buffer de Memoria con Ventana
5.4 Creación de Buffer de Memoria Resumida

6.1 ¿Qué son los agentes y cómo implementar un primer caso de uso?
6.2 Creación de agente potenciado con motor de búsqueda
6.3 Creación de agente programador de código
6.4 Creación de herramientas personalizadas
6.5 Agentes conversacionales con memoria
6.6 PROYECTO: Creación de Agente Chatbot con memoria a partir de sistema RAG con nuestra BD Vectorial
6.7 PROYECTO: Creación de Agente para Análisis automático SQL a partir de consultas en lenguaje natural