NOSOTROS CRONOGRAMA FRANQUICIA BLOG CONTACTO ACCESO SISTEMA ACADEMICO

GOOGLE

Ingeniería de Datos en Google Cloud

Código: GOO-021


Obtenga experiencia práctica en el diseño y la construcción de sistemas de procesamiento de datos en Google Cloud. Este curso utiliza conferencias, demostraciones y laboratorios prácticos para mostrarle cómo diseñar sistemas de procesamiento de datos, crear canalizaciones de datos de extremo a extremo, analizar datos e implementar el aprendizaje automático. Este curso cubre datos estructurados, no estructurados y de transmisión.

 Propuesta de Valor: GOOGLE

 Duración: 32 Horas

Áreas de Conocimiento:
BIG DATACIENCIA DE DATOS E INTELIGENCIA ARTIFICIAL

Exportar Contenido a PDF

   AUDIENCIA


Esta clase está dirigida a desarrolladores experimentados que son responsables de administrar las transformaciones de big data, que incluyen:

  • Extracción, carga, transformación, limpieza y validación de datos.
  • Diseño de canalizaciones y arquitecturas para el procesamiento de datos.
  • Creación y mantenimiento de modelos estadísticos y de aprendizaje automático.
  • Consulta de conjuntos de datos, visualización de resultados de consultas y creación de informes.

    •    PRE REQUISITOS


    Para aprovechar al máximo este curso, los participantes deben haber:

    • Completado el curso Fundamentos de Google Cloud: Big Data y aprendizaje automático o tener una experiencia equivalente.
    • Competencia básica con el lenguaje de consulta común, como SQL Experience con modelado de datos, extracción, transformación, actividades de carga.
    • Desarrollo de aplicaciones utilizando un lenguaje de programación común como Python.
    • Familiaridad con estadísticas básicas.

       OBJETIVOS


    • Diseñar y construir sistemas de procesamiento de datos en Google Cloud Platform.
    • Aproveche los datos no estructurados mediante las API de Spark y ML en Cloud Dataproc.
    • Procese datos por lotes y de transmisión mediante la implementación de canalizaciones de datos de ajuste de escala automático en Cloud Dataflow.
    • Obtenga información empresarial a partir de conjuntos de datos extremadamente grandes con Google BigQuery.
    • Entrene, evalúe y prediga con modelos de aprendizaje automático mediante TensorFlow y Cloud ML.
    • Habilite información instantánea a partir de la transmisión de datos.

       CERTIFICACIÓN DISPONIBLE



    • Certificación emitida por COGNOS.

       CONTENIDO



    1. INTRODUCCIÓN A LA INGENIERÍA DE DATOS


    1.1. EXPLORE EL ROL DE UN INGENIERO DE DATOS
    1.2. ANALICE LOS DESAFÍOS DE LA INGENIERÍA DE DATOS
    1.3. INTRODUCCIÓN A BIGQUERY
    1.4. DATA LAKES Y DATA WAREHOUSES
    1.5. DEMOSTRACIÓN: CONSULTAS FEDERADAS CON BIGQUERY
    1.6. BASES DE DATOS TRANSACCIONALES FRENTE A ALMACENES DE DATOS
    1.7. DEMOSTRACIÓN DEL SITIO WEB: ENCONTRAR PII EN SU CONJUNTO DE DATOS CON LA API DE DLP
    1.8. ASÓCIESE DE MANERA EFICAZ CON OTROS EQUIPOS DE DATOS
    1.9. GESTIONE EL ACCESO Y LA GOBERNANZA A LOS DATOS
    1.10. CONSTRUYA TUBERÍAS LISTAS PARA PRODUCCIÓN
    1.11. REVISE EL CASO DE ÉXITO DE UN CLIENTE DE GCP
    1.12. LABORATORIO: ANÁLISIS DE DATOS CON BIGQUERY

    2. CREACIÓN DE UN LAGO DE DATOS


    2.1. INTRODUCCIÓN A DATA LAKES
    2.2. OPCIONES DE ALMACENAMIENTO DE DATOS Y ETL EN GCP
    2.3. CONSTRUYENDO UN LAGO DE DATOS USANDO CLOUD STORAGE
    2.4. DEMOSTRACIÓN OPCIONAL: OPTIMIZACIÓN DE COSTOS CON CLASES DE ALMACENAMIENTO EN LA NUBE DE GOOGLE Y FUNCIONES EN LA NUBE
    2.5. ASEGURAR EL ALMACENAMIENTO EN LA NUBE
    2.6. ALMACENAMIENTO DE TODO TIPO DE TIPOS DE DATOS
    2.7. DEMOSTRACIÓN DE VIDEO: EJECUCIÓN DE CONSULTAS FEDERADAS EN ARCHIVOS PARQUET Y ORC EN BIGQUERY
    2.8. CLOUD SQL COMO UN LAGO DE DATOS RELACIONAL
    2.9. LABORATORIO: CARGA DE DATOS DE TAXIS EN CLOUD SQL

    3. CREACIÓN DE UN ALMACÉN DE DATOS



    3.1. EL ALMACÉN DE DATOS MODERNO
    3.2. INTRODUCCIÓN A BIGQUERY
    3.3. DEMOSTRACIÓN: CONSULTA TB + DE DATOS EN SEGUNDOS
    3.4. EMPEZANDO
    3.5. CARGANDO DATOS
    3.6. DEMOSTRACIÓN DE VIDEO: CONSULTA DE CLOUD SQL DESDE BIGQUERY
    3.7. LABORATORIO: CARGA DE DATOS EN BIGQUERY
    3.8. EXPLORANDO ESQUEMAS
    3.9. DEMOSTRACIÓN: EXPLORACIÓN DE CONJUNTOS DE DATOS PÚBLICOS DE BIGQUERY CON SQL MEDIANTE INFORMATION_SCHEMA
    3.10. DISEÑO DE ESQUEMAS
    3.11. CAMPOS ANIDADOS Y REPETIDOS
    3.12. DEMOSTRACIÓN: CAMPOS ANIDADOS Y REPETIDOS EN BIGQUERY
    3.13. LABORATORIO: TRABAJO CON DATOS JSON Y ARRAY EN BIGQUERY
    3.14. OPTIMIZACIÓN CON PARTICIONES Y AGRUPACIONES
    3.15. DEMOSTRACIÓN: TABLAS PARTICIONADAS Y AGRUPADAS EN BIGQUERY
    3.16. VISTA PREVIA: TRANSFORMACIÓN DE DATOS POR LOTES Y TRANSMISIÓN

    4. INTRODUCCIÓN A LA CREACIÓN DE CANALIZACIONES DE DATOS POR LOTES


    4.1. EL, ELT, ETL
    4.2. CONSIDERACIONES DE CALIDAD
    4.3. CÓMO REALIZAR OPERACIONES EN BIGQUERY
    4.4. DEMOSTRACIÓN: ELT PARA MEJORAR LA CALIDAD DE LOS DATOS EN BIGQUERY
    4.5. DEFICIENCIAS
    4.6. ETL PARA RESOLVER PROBLEMAS DE CALIDAD DE DATOS

    5. EJECUCIÓN DE SPARK EN CLOUD DATAPROC


    5.1. EL ECOSISTEMA DE HADOOP
    5.2. EJECUTANDO HADOOP EN CLOUD DATAPROC
    5.3. GCS EN LUGAR DE HDFS
    5.4. OPTIMIZACIÓN DE DATAPROC
    5.5. LABORATORIO: EJECUCIÓN DE TRABAJOS DE APACHE SPARK EN CLOUD DATAPROC

    6. PROCESAMIENTO DE DATOS SIN SERVIDOR CON CLOUD DATAFLOW


    6.1. CLOUD DATAFLOW
    6.2. POR QUÉ LOS CLIENTES VALORAN DATAFLOW
    6.3. CANALIZACIONES DE FLUJO DE DATOS
    6.4. LABORATORIO: UNA CANALIZACIÓN DE FLUJO DE DATOS SIMPLE (PYTHON / JAVA)
    6.5. LABORATORIO: MAPREDUCE EN DATAFLOW (PYTHON / JAVA)
    6.6. LABORATORIO: ENTRADAS SECUNDARIAS (PYTHON / JAVA)
    6.7. PLANTILLAS DE FLUJO DE DATOS
    6.8. SQL DE FLUJO DE DATOS

    7. GESTIONAR CANALIZACIONES DE DATOS CON CLOUD DATA FUSION Y CLOUD COMPOSER


    7.1. CREA CANALIZACIONES DE DATOS POR LOTES DE FORMA VISUAL CON CLOUD DATA FUSION
    7.2. COMPONENTES
    7.3. DESCRIPCIÓN GENERAL DE LA INTERFAZ DE USUARIO
    7.4. CONSTRUYENDO UNA TUBERÍA
    7.5. EXPLORANDO DATOS USANDO WRANGLER
    7.6. LABORATORIO: CREACIÓN Y EJECUCIÓN DE UN GRÁFICO DE CANALIZACIÓN EN CLOUD DATA FUSIÓN
    7.7. ORGANIZAR EL TRABAJO ENTRE LOS SERVICIOS DE GCP CON CLOUD COMPOSER
    7.8. ENTORNO APACHE AIRFLOW
    7.9. DAG Y OPERADORES
    7.10. PROGRAMACIÓN DEL FLUJO DE TRABAJO
    7.11. DEMOSTRACIÓN LARGA OPCIONAL: CARGA DE DATOS ACTIVADA POR EVENTOS CON CLOUD COMPOSER, CLOUD FUNCTIONS, CLOUD STORAGE Y BIGQUERY
    7.12. SEGUIMIENTO Y REGISTRO
    7.13. LABORATORIO: INTRODUCCIÓN A CLOUD COMPOSER

    8. INTRODUCCIÓN AL PROCESAMIENTO DE DATOS DE TRANSMISIÓN


    8.1. PROCESAMIENTO DE DATOS DE TRANSMISIÓN

    9. MENSAJERÍA SIN SERVIDOR CON CLOUD PUB / SUB


    9.1. CLOUD PUB / SUB
    9.2. LABORATORIO: PUBLICAR DATOS DE TRANSMISIÓN EN PUB / SUB

    10. FUNCIONES DE TRANSMISIÓN DE CLOUD DATAFLOW


    10.1. FUNCIONES DE TRANSMISIÓN DE CLOUD DATAFLOW
    10.2. LABORATORIO: FLUJOS DE TRANSMISIÓN DE DATOS

    11. FUNCIONES DE TRANSMISIÓN DE BIGQUERY Y BIGTABLE DE ALTO RENDIMIENTO


    11.1. FUNCIONES DE TRANSMISIÓN DE BIGQUERY
    11.2. LABORATORIO: STREAMING ANALYTICS Y DASHBOARDS
    11.3. CLOUD BIGTABLE
    11.4. LABORATORIO: TRANSMISIÓN DE CANALIZACIONES DE DATOS A BIGTABLE

    12. FUNCIONALIDAD Y RENDIMIENTO AVANZADOS DE BIGQUERY


    12.1. FUNCIONES DE LA VENTANA ANALÍTICA
    12.2. UTILIZANDO CON CLÁUSULAS
    12.3. FUNCIONES GIS
    12.4. DEMOSTRACIÓN: MAPEO DE LOS CÓDIGOS POSTALES DE MÁS RÁPIDO CRECIMIENTO CON BIGQUERY GEOVIZ
    12.5. CONSIDERACIONES DE RENDIMIENTO
    12.6. LABORATORIO: OPTIMIZACIÓN DE LAS CONSULTAS DE BIGQUERY PARA MEJORAR EL RENDIMIENTO
    12.7. LABORATORIO OPCIONAL: CREACIÓN DE TABLAS CON PARTICIONES POR FECHA EN BIGQUERY

    13. INTRODUCCIÓN A LA ANALÍTICA Y LA IA


    13.1. ¿QUÉ ES LA IA ?
    13.2. DESDE ANÁLISIS DE DATOS AD-HOC HASTA DECISIONES BASADAS EN DATOS
    13.3. OPCIONES PARA MODELOS DE AA EN GCP

    14. API DE MODELOS DE AA PREDISEÑADOS PARA DATOS NO ESTRUCTURADOS


    14.1. LOS DATOS NO ESTRUCTURADOS SON DIFÍCILES
    14.2. API DE AA PARA ENRIQUECER DATOS
    14.3. LABORATORIO: USO DE LA API DE NATURAL LANGUAGE PARA CLASIFICAR TEXTO NO ESTRUCTURADO

    15. BIG DATA ANALYTICS CON CLOUD AI PLATFORM NOTEBOOKS


    15.1. ¿QUÉ ES UN CUADERNO?
    15.2. BIGQUERY MAGIC Y LAZOS CON PANDAS
    15.3. LABORATORIO: BIGQUERY EN JUPYTER LABS EN AI PLATFORM

    16. PIPELINES DE ML DE PRODUCCIÓN CON KUBEFLOW


    16.1. FORMAS DE REALIZAR AA EN GCP
    16.2. KUBEFLOW
    16.3. AI HUB
    16.4. LABORATORIO: EJECUCIÓN DE MODELOS DE IA EN KUBEFLOW

    17. CREACIÓN DE MODELOS PERSONALIZADOS CON SQL EN BIGQUERY ML


    17.1. BIGQUERY ML PARA LA CREACIÓN RÁPIDA DE MODELOS
    17.2. DEMOSTRACIÓN: ENTRENE UN MODELO CON BIGQUERY ML PARA PREDECIR LAS TARIFAS DE LOS TAXIS EN NUEVA YORK
    17.3. MODELOS COMPATIBLES
    17.4. OPCIÓN DE LABORATORIO 1: PREDECIR LA DURACIÓN DEL VIAJE EN BICICLETA CON UN MODELO DE REGRESIÓN EN BQML
    17.5. OPCIÓN DE LABORATORIO 2: RECOMENDACIONES DE PELÍCULAS EN BIGQUERY ML

    18. CREACIÓN DE MODELOS PERSONALIZADOS CON CLOUD AUTOML


    18.1. ¿POR QUÉ AUTO ML?
    18.2. AUTO ML VISION
    18.3. AUTO ML NLP
    18.4. TABLAS AUTOMÁTICAS DE ML


       BENEFICIOS



    • Al finalizar el curso, usted podrá diseñar sistemas de procesamiento de datos, crear canalizaciones de datos de extremo a extremo, analizar datos e implementar el aprendizaje automático.

       INVERSIÓN



    La inversión incluye: Material de estudio, certificados e impuestos de ley.

    • En los cursos presenciales proveemos de una computadora por persona y refrigerios.
    • En los cursos virtuales las plataformas interactivas y acceso al aula virtual de recursos.