Gestión y análisis de big data de Microsoft
Aprenda Big Data con las herramientas de Microsoft
Certificado oficial emitido por la SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 240 h
25 unidades
Nivel intermedio
Qué aprenderás
Lo que serás capaz de hacer
Libere el poder de los datos con el certificado profesional en gestión y análisis de big data de Microsoft. Las organizaciones de hoy en día dependen de expertos que puedan diseñar, gestionar y optimizar los sistemas de grandes volúmenes de datos para impulsar la innovación y la visión. Este programa te prepara para roles como Ingeniero de Big Data, Analista de Datos, Científico de Datos o Arquitecto de Soluciones en la Nube, equipándote con habilidades que están en alta demanda en todas las industrias. A lo largo de cinco cursos prácticos, obtendrás tanto conocimientos básicos como experiencia aplicada con las principales herramientas y plataformas de big data de Microsoft. Usted podrá: Entender los fundamentos de big data y arquitecturas basadas en la nube Diseñar e implementar lagos de datos y almacenes de datos con Azure Data Lake y Synapse Analytics Construir ETL / ELT pipelines y soluciones de streaming utilizando Azure Data Factory, Event Hubs y Stream Analytics Procesar y analizar datos con Apache Spark, PySpark, y Azure Databricks Crear visualizaciones y cuadros de mando con Power BI y Fabric Copilot Aplicar técnicas de aprendizaje automático y NLP a escala con PySpark ML y Azure Machine Learning Implementar la gobernanza y el cumplimiento con Microsoft Purview Optimizar el coste, el rendimiento y la escalabilidad de los sistemas de big data empresariales Para tener éxito, debe tener conocimientos previos de Python y SQL básico. Al final, completará proyectos listos para la cartera, que van desde diagramas de arquitectura hasta tuberías de transmisión y paneles de Power BI, que demuestran habilidades listas para el trabajo en análisis de big data.
- Diseñar y gestionar soluciones escalables de big data utilizando herramientas de Microsoft Azure
- Construir canalizaciones de datos, procesar grandes conjuntos de datos y aplicar análisis a escala
- Implantar el aprendizaje automático y la IA generativa en entornos de big data
- Aplicar las mejores prácticas de gobernanza, seguridad y optimización a los datos empresariales
Habilidades que desarrollarás
Controles de seguridad
Escalabilidad
Azure Synapse Analytics
Canalizaciones de datos
Bases de datos
Microsoft Azure
Gobernanza de datos
Extracción, transformación y carga
Lagos de datos
Databricks
NoSQL
Procesamiento de datos
Gestión de datos
Macrodatos
Visualización de datos
Creación de tableros
Visualización interactiva de datos
Modelos de lenguaje extensos
Aprendizaje automático aplicado
Entrenamiento de modelos
Temario
UNIDAD 1 - Introducción a los conceptos de Big Data · 15 leccionesFundamentos de Big Data con Microsoft Azure - UNIDAD 1 - Introducción a los conceptos de Big Data
UNIDAD 1 - Introducción a los conceptos de Big Data · 15 lecciones
Fundamentos de Big Data con Microsoft Azure - UNIDAD 1 - Introducción a los conceptos de Big Data
- Por qué son importantes los macrodatos en el mundo actual
- Las cinco V de Big Data
- Big Data en acción: Historias reales
- Análisis del panorama de datos de su organización
- Evaluación de los fundamentos de Big Data
- Del reto a la ventaja competitiva
- Retos y oportunidades empresariales de los macrodatos
- Evaluar el panorama de retos y oportunidades de su organización
- Análisis de retos y oportunidades de Big Data
- Evaluación de retos y oportunidades
- Éxitos del Big Data que cambiaron sectores
- Aplicaciones de Big Data específicas del sector
- Encuentre oportunidades de Big Data en su campo
- Evaluación de las aplicaciones industriales
- Evaluación del dominio de los conceptos de Big Data
UNIDAD 2 - Computación en nube para Big Data · 19 leccionesFundamentos de Big Data con Microsoft Azure - UNIDAD 2 - Computación en nube para Big Data
UNIDAD 2 - Computación en nube para Big Data · 19 lecciones
Fundamentos de Big Data con Microsoft Azure - UNIDAD 2 - Computación en nube para Big Data
- Por qué la computación en nube ha transformado los macrodatos
- Modelos de servicios en nube para Big Data
- Asignación de soluciones de Big Data a modelos de nube
- Elegir el modelo de nube adecuado a sus necesidades
- Matriz de decisión del modelo de servicio en nube
- Modelos de nube Evaluación de la comprensión
- La gran migración: De las instalaciones a la nube
- Soluciones de Big Data locales frente a soluciones de Big Data en la nube
- Evaluación de los escenarios de migración
- Planificación de su estrategia de infraestructura de Big Data
- Análisis comparativo de infraestructuras
- Evaluación de los factores de decisión entre la nube y las instalaciones locales
- Superpotencias de la nube para Big Data
- Capacidades esenciales de la nube para Big Data
- Principios de arquitectura en la nube para soluciones escalables de Big Data
- Diseño de una arquitectura de nube escalable
- Optimización de las capacidades de la nube para su caso de uso
- Evaluación de aplicaciones de capacidades en la nube
- Cloud Computing para la evaluación del dominio de Big Data
UNIDAD 3 - Plataforma Microsoft Azure para Big Data · 21 leccionesFundamentos de Big Data con Microsoft Azure - UNIDAD 3 - Plataforma Microsoft Azure para Big Data
UNIDAD 3 - Plataforma Microsoft Azure para Big Data · 21 lecciones
Fundamentos de Big Data con Microsoft Azure - UNIDAD 3 - Plataforma Microsoft Azure para Big Data
- Su puerta de acceso al Big Data empresarial
- Navegar por el ecosistema de Azure Big Data
- Software, precios y configuración de Azure
- Visita al portal Azure para profesionales de Big Data
- Personalización de su experiencia Azure
- Exploración del portal Azure
- Evaluación de la familiaridad con la plataforma Azure
- Organización para el éxito en Azure
- Fundamentos de la gestión de recursos de Azure
- Creación y gestión de recursos de Azure
- Comandos básicos de la CLI de Azure
- Establecimiento de su estrategia de recursos
- Práctica de gestión de recursos
- Evaluación de conceptos de gestión de recursos
- La ventaja de Microsoft en Big Data
- Cartera de servicios de Microsoft Big Data
- Selección de servicios para el escenario de Big Data
- Cómo crear su conjunto de herramientas de Microsoft Big Data
- Ejercicio de mapeo de servicios
- Evaluación de aplicaciones de servicios de Microsoft
- Evaluación del dominio de la plataforma Azure
UNIDAD 4 - Introducción a Azure Databricks y Clusters · 21 leccionesFundamentos de Big Data con Microsoft Azure - UNIDAD 4 - Introducción a Azure Databricks y Clusters
UNIDAD 4 - Introducción a Azure Databricks y Clusters · 21 lecciones
Fundamentos de Big Data con Microsoft Azure - UNIDAD 4 - Introducción a Azure Databricks y Clusters
- Desmenuzar los grandes problemas
- Fundamentos de la computación en clúster
- Visualización del procesamiento distribuido
- Conozca sus necesidades de procesamiento
- Análisis de la arquitectura de clústeres
- Evaluación de los principios de la computación en clúster
- Databricks: Donde colaboran los equipos de datos
- Visión general de la plataforma Azure Databricks
- Configuración del primer espacio de trabajo de Databricks
- Operaciones básicas de Databricks
- Planificación de la implantación de Databricks
- Configuración del espacio de trabajo de Databricks
- Evaluación de la comprensión de la plataforma Databricks
- Dimensionar correctamente su motor de Big Data
- Guía de configuración del clúster Databricks
- Creación y configuración de clústeres de producción en Azure
- Configuración del clúster Databricks
- Optimización del rendimiento y el coste de los clústeres
- Práctica de configuración de clústeres
- Evaluación de las mejores prácticas de gestión de clústeres
- Evaluación del dominio de Databricks y computación en clústeres
UNIDAD 5 - Gestión de costes y comparación de proveedores de servicios en nube · 22 leccionesFundamentos de Big Data con Microsoft Azure - UNIDAD 5 - Gestión de costes y comparación de proveedores de servicios en nube
UNIDAD 5 - Gestión de costes y comparación de proveedores de servicios en nube · 22 lecciones
Fundamentos de Big Data con Microsoft Azure - UNIDAD 5 - Gestión de costes y comparación de proveedores de servicios en nube
- El verdadero coste del Big Data en la nube
- Profundización en los precios de Azure Big Data
- Uso eficaz de la calculadora de precios de Azure
- Estimación y supervisión de costes de Azure
- Cómo desarrollar su capacidad de estimación de costes
- Estimación de costes de soluciones Big Data
- Evaluación de dominio de precios de Azure
- La gran comparación de costes de la nube
- Marco de análisis de costes de múltiples nubes
- Comparación de los costes de las ferias de construcción
- Selección estratégica de proveedores de servicios en nube
- Análisis de costes de múltiples nubes
- Evaluación comparativa de costes entre plataformas
- Estrategias de optimización que ahorran millones
- Técnicas avanzadas de optimización de costes
- Implantación de controles de costes en Azure
- Desarrollar su plan de optimización de costes
- Desarrollo de estrategias de optimización de costes
- Estrategia de optimización Evaluación de aplicaciones
- Evaluación de la experiencia en gestión y optimización de costes
- Diseño de soluciones Big Data con evaluación de análisis de costes en la nube
- Diseño de soluciones Big Data con análisis de costes en la nube - Proyecto
UNIDAD 6 - Tecnologías de almacenamiento de datos (SQL frente a NoSQL) · 20 leccionesAlmacenamiento y gestión de datos para Big Data - UNIDAD 6 - Tecnologías de almacenamiento de datos (SQL frente a NoSQL)
UNIDAD 6 - Tecnologías de almacenamiento de datos (SQL frente a NoSQL) · 20 lecciones
Almacenamiento y gestión de datos para Big Data - UNIDAD 6 - Tecnologías de almacenamiento de datos (SQL frente a NoSQL)
- Cuando las bases de datos relacionales alcanzan sus límites
- Bases de datos relacionales en la era de los macrodatos
- Optimización de SQL Server para cargas de trabajo de Big Data
- Optimización del rendimiento de SQL y operaciones Delta Lake
- Evaluación de las necesidades de ampliación de su base de datos
- Análisis del rendimiento de bases de datos y operaciones de Lakehouse
- Evaluación de las limitaciones de las bases de datos relacionales
- Liberarse de las mesas
- Panorama de las bases de datos NoSQL
- Asignación de patrones de datos a tipos NoSQL
- Elegir su estrategia NoSQL
- Marco de decisión NoSQL
- Evaluación de la selección de bases de datos NoSQL
- Historias de éxito de Cosmos DB
- Guía de implementación de Azure Cosmos DB
- Creación de soluciones de base de datos Cosmos listas para la producción
- Optimización del diseño de la base de datos de Cosmos
- Implantación de Cosmos DB
- Evaluación de las mejores prácticas de Cosmos DB
- Evaluación del dominio de las tecnologías de bases de datos
UNIDAD 7 - Trabajo con formatos de datos (estructurados, semiestructurados y no estructurados) · 20 leccionesAlmacenamiento y gestión de datos para Big Data - UNIDAD 7 - Trabajo con formatos de datos (estructurados, semiestructurados y no estructurados)
UNIDAD 7 - Trabajo con formatos de datos (estructurados, semiestructurados y no estructurados) · 20 lecciones
Almacenamiento y gestión de datos para Big Data - UNIDAD 7 - Trabajo con formatos de datos (estructurados, semiestructurados y no estructurados)
- La base del análisis de datos
- Prácticas recomendadas para los datos estructurados
- Procesamiento de datos estructurados con Azure Data Factory
- Diseño de estructuras de datos robustas
- Canal de datos estructurados
- Evaluación de la gestión de datos estructurados
- Aprovechar las estructuras de datos flexibles
- Técnicas de procesamiento de datos semiestructurados
- Conversiones de formatos de datos con Azure Data Factory
- Transformación de datos JSON
- Gestión de la variabilidad de los esquemas
- Transformación de formatos
- Evaluación semiestructurada del tratamiento de datos
- Optimización para la escalabilidad y el rendimiento
- Optimización del formato de los archivos de big data
- Análisis del rendimiento de los formatos de archivo
- Selección de los formatos de archivo óptimos
- Comparación del rendimiento de los formatos de archivo
- Evaluación de la optimización del formato de archivo
- Formatos de datos Evaluación del dominio
UNIDAD 8 - Implementación de lagos de datos y almacenes de datos · 19 leccionesAlmacenamiento y gestión de datos para Big Data - UNIDAD 8 - Implementación de lagos de datos y almacenes de datos
UNIDAD 8 - Implementación de lagos de datos y almacenes de datos · 19 lecciones
Almacenamiento y gestión de datos para Big Data - UNIDAD 8 - Implementación de lagos de datos y almacenes de datos
- Sentar las bases para la innovación basada en datos
- Prácticas recomendadas para la arquitectura de un lago de datos
- Implementación de zonas de Data Lake
- Planificación de su estrategia de lago de datos
- Implementación de un lago de datos
- Evaluación de los principios de diseño de un lago de datos
- El arte y la ciencia del modelado dimensional
- Modelización dimensional para big data
- Diseño de esquemas eficaces para almacenes de datos
- Cómo optimizar el diseño de tu almacén
- Diseño de modelos dimensionales
- Evaluación de los conceptos de modelización dimensional
- Synapse Analytics en producción
- Prácticas recomendadas de Azure Synapse Analytics
- Soluciones Synapse para la construcción
- Optimización del rendimiento y el coste de Synapse
- Implementación de Synapse Analytics
- Evaluación de las mejores prácticas en la implementación de Synapse
- Evaluación de dominio de la arquitectura de almacenamiento de datos
UNIDAD 9 - Creación de flujos de datos (ETL/ELT con Azure Data Factory) · 21 leccionesAlmacenamiento y gestión de datos para Big Data - UNIDAD 9 - Creación de flujos de datos (ETL/ELT con Azure Data Factory)
UNIDAD 9 - Creación de flujos de datos (ETL/ELT con Azure Data Factory) · 21 lecciones
Almacenamiento y gestión de datos para Big Data - UNIDAD 9 - Creación de flujos de datos (ETL/ELT con Azure Data Factory)
- El gran debate entre ETL y ELT
- Marco de decisión estratégica: ETL frente a ELT
- Arquitectura de soluciones ETL y ELT
- Elección de la estrategia de integración
- Análisis comparativo entre ETL y ELT
- Evaluación de la estrategia de integración de datos
- Data Factory como centro de integración
- Guía de implementación de Azure Data Factory
- Cómo crear tu primer flujo de trabajo de Data Factory
- Canalización Azure Data Factory JSON
- Cómo organizar tus proyectos de integración de datos
- Creación de un pipeline en Data Factory
- Evaluación de los fundamentos de Data Factory
- Ingeniería de tuberías listas para la producción
- Diseño avanzado de canalizaciones de Data Factory
- Diseño de flujos de datos robustos
- Configuración avanzada de Data Factory Pipeline
- Diseño orientado a la fiabilidad y la escalabilidad
- Desarrollo avanzado de proyectos de oleoductos
- Evaluación avanzada del diseño de tuberías
- Evaluación del dominio de la ingeniería de canalización de datos
UNIDAD 10 - Fundamentos del procesamiento por lotes y en tiempo real · 21 leccionesAlmacenamiento y gestión de datos para Big Data - UNIDAD 10 - Fundamentos del procesamiento por lotes y en tiempo real
UNIDAD 10 - Fundamentos del procesamiento por lotes y en tiempo real · 21 lecciones
Almacenamiento y gestión de datos para Big Data - UNIDAD 10 - Fundamentos del procesamiento por lotes y en tiempo real
- El poder del procesamiento por lotes a escala
- Patrones de arquitectura para el procesamiento por lotes
- Implementación de flujos de trabajo de procesamiento por lotes
- Optimización del rendimiento del procesamiento por lotes
- Diseño de soluciones de procesamiento por lotes
- Evaluación del diseño del procesamiento por lotes
- La necesidad de rapidez en el procesamiento de datos
- Fundamentos de la arquitectura de procesamiento de flujos
- Diseño de soluciones de procesamiento en tiempo real
- Equilibrio entre los requisitos de latencia y de rendimiento
- Análisis de arquitectura en tiempo real
- Evaluación de conceptos de procesamiento de flujos
- Hacemos realidad el procesamiento en tiempo real
- Implementación de los servicios de streaming de Azure
- Desarrollo de soluciones de datos en tiempo real
- Implementación de productor/consumidor en Event Hubs
- Integración del procesamiento por lotes y en flujo continuo
- Implementación de una solución de streaming
- Evaluación de la implementación del streaming
- Evaluación del dominio de los modelos de procesamiento
- Solución integral de almacenamiento e integración de datos - Proyecto
UNIDAD 11 - Conceptos de computación distribuida y MapReduce · 20 leccionesTratamiento de datos, análisis exploratorio y visualización - UNIDAD 11 - Conceptos de computación distribuida y MapReduce
UNIDAD 11 - Conceptos de computación distribuida y MapReduce · 20 lecciones
Tratamiento de datos, análisis exploratorio y visualización - UNIDAD 11 - Conceptos de computación distribuida y MapReduce
- El reto de la escala en la informática moderna
- Principios de la computación distribuida para el big data
- Visualización de flujos de trabajo de procesamiento distribuido
- Análisis de los requisitos del procesamiento distribuido
- Análisis de la computación distribuida
- Evaluación de conceptos de computación distribuida
- Simplificar problemas complejos con MapReduce
- Análisis en profundidad del modelo de programación MapReduce
- Seguimiento del flujo de ejecución de MapReduce
- Diseño del algoritmo MapReduce
- Diseño de soluciones MapReduce
- Seguimiento de la ejecución de MapReduce
- Evaluación del modelo de programación MapReduce
- Patrones de MapReduce en sistemas de producción
- Patrones y algoritmos esenciales de MapReduce
- Implementación de patrones MapReduce
- Diseño de soluciones MapReduce
- Selección de modelos para problemas relacionados con el big data
- Evaluación de los patrones y aplicaciones de MapReduce
- Cuestionario evaluativo sobre computación distribuida y dominio de MapReduce
UNIDAD 12 - Arquitectura y fundamentos de Apache Spark · 22 leccionesTratamiento de datos, análisis exploratorio y visualización - UNIDAD 12 - Arquitectura y fundamentos de Apache Spark
UNIDAD 12 - Arquitectura y fundamentos de Apache Spark · 22 lecciones
Tratamiento de datos, análisis exploratorio y visualización - UNIDAD 12 - Arquitectura y fundamentos de Apache Spark
- La revolución de Spark en el procesamiento de macrodatos
- Análisis en profundidad de la arquitectura de Apache Spark
- Instalación y configuración de un clúster de Spark – Parte 1
- Instalación y configuración de un clúster de Spark – Parte 2
- Optimización de la arquitectura de Spark para tus cargas de trabajo
- Configuración del entorno de Spark
- Evaluación de los componentes de Spark Architecture
- El motor de ejecución inteligente de Spark por dentro
- Modelo de ejecución y optimización de Spark
- Análisis de los planes de ejecución de Spark
- Análisis de puestos de trabajo en Spark
- Diseño de consultas y optimización del rendimiento
- Análisis de la ejecución de Spark
- Evaluación de la optimización de la ejecución de Spark
- El origen del poder de Spark
- Modelo de programación y operaciones de RDD
- Programación práctica con RDD
- Operaciones y linaje de RDD
- RDD frente a DataFrame: toma de decisiones
- Prácticas de programación con RDD
- Evaluación de conceptos de programación RDD
- Cuestionario evaluativo sobre «Fundamentos de Spark»
UNIDAD 13 - Procesamiento de datos con RDD y DataFrames de PySpark · 22 leccionesTratamiento de datos, análisis exploratorio y visualización - UNIDAD 13 - Procesamiento de datos con RDD y DataFrames de PySpark
UNIDAD 13 - Procesamiento de datos con RDD y DataFrames de PySpark · 22 lecciones
Tratamiento de datos, análisis exploratorio y visualización - UNIDAD 13 - Procesamiento de datos con RDD y DataFrames de PySpark
- Python se une a Big Data con PySpark
- Entorno de desarrollo de PySpark y mejores prácticas
- Flujo de trabajo de desarrollo con PySpark
- Configuración del entorno PySpark
- Mejores prácticas para el desarrollo con PySpark
- Entorno de desarrollo de PySpark
- Evaluación de los fundamentos del desarrollo con PySpark
- DataFrames: el big data estructurado, de forma sencilla
- Guía de programación con DataFrame de PySpark
- Operaciones con DataFrame y gestión de esquemas
- Esquema y operaciones de DataFrame
- Diseño y optimización de DataFrame
- Proceso de limpieza de datos de DataFrame
- Operaciones con DataFrame y evaluación de esquemas
- Analítica avanzada con transformaciones PySpark
- Operaciones avanzadas con DataFrames en PySpark
- Creación de flujos de transformación complejos
- Patrones avanzados de transformación
- Arquitectura y rendimiento de la canalización
- Proceso de análisis complejo
- Evaluación de técnicas avanzadas de transformación
- Cuestionario evaluativo sobre el dominio del procesamiento de datos con PySpark
UNIDAD 14 - Procesamiento avanzado de datos con Spark SQL · 22 leccionesTratamiento de datos, análisis exploratorio y visualización - UNIDAD 14 - Procesamiento avanzado de datos con Spark SQL
UNIDAD 14 - Procesamiento avanzado de datos con Spark SQL · 22 lecciones
Tratamiento de datos, análisis exploratorio y visualización - UNIDAD 14 - Procesamiento avanzado de datos con Spark SQL
- SQL a escala con Spark SQL
- Arquitectura y modelo de programación de Spark SQL
- Entorno SQL de Spark y consultas básicas
- Vistas y consultas de Spark SQL
- Estrategia de integración de SQL con DataFrame
- Configuración del entorno de Spark SQL
- Evaluación de conceptos básicos de Spark SQL
- Análisis empresarial con Spark SQL avanzado
- Operaciones avanzadas y optimización de Spark SQL
- Implementación de consultas analíticas complejas
- Desarrollo de consultas SQL complejas
- Diseño de consultas y optimización del rendimiento
- Proceso de análisis avanzado
- Evaluación de operaciones avanzadas en SQL
- Optimización de Spark SQL para el rendimiento de producción
- Ajuste y optimización del rendimiento de Spark SQL
- Análisis y optimización del rendimiento de las consultas
- Prácticas de optimización de consultas
- Estrategia de optimización de consultas en producción
- Optimización integral del rendimiento
- Evaluación de técnicas de optimización de consultas
- Cuestionario evaluativo sobre el dominio del procesamiento avanzado de Spark SQL
UNIDAD 15 - Visualización de datos para big data con Power BI · 23 leccionesTratamiento de datos, análisis exploratorio y visualización - UNIDAD 15 - Visualización de datos para big data con Power BI
UNIDAD 15 - Visualización de datos para big data con Power BI · 23 lecciones
Tratamiento de datos, análisis exploratorio y visualización - UNIDAD 15 - Visualización de datos para big data con Power BI
- Tendiendo un puente entre el big data y la inteligencia empresarial
- Guía de conectividad con big data de Power BI
- Configuración de la fuente de datos masivos
- Scripts de conexión de Power BI
- Estrategia y arquitectura de las fuentes de datos
- Conexiones de Power BI con big data
- Evaluación de la conectividad de Big Data
- El arte de contar historias con el big data
- Principios de diseño para la visualización de big data
- Creación de visualizaciones eficaces de big data
- Cálculos DAX para big data
- Marco de toma de decisiones sobre el diseño de la visualización
- Paquete de herramientas de visualización de big data
- Evaluación de los principios de diseño de la visualización
- Análisis interactivos a escala empresarial
- Diseño de paneles interactivos para big data
- Desarrollo avanzado de paneles de control - Parte 1
- Desarrollo avanzado de paneles de control - Parte 2
- Interacciones avanzadas con el panel de control
- Estrategia de experiencia de usuario del cuadro de mandos
- Creación de paneles interactivos
- Evaluación del diseño de un panel de control interactivo
- Examen evaluativo sobre «Dominio de la visualización de big data»
UNIDAD 16 - Fundamentos del aprendizaje automático para el big data · 19 leccionesAnálisis de datos y aprendizaje automático para Big Data - UNIDAD 16 - Fundamentos del aprendizaje automático para el big data
UNIDAD 16 - Fundamentos del aprendizaje automático para el big data · 19 lecciones
Análisis de datos y aprendizaje automático para Big Data - UNIDAD 16 - Fundamentos del aprendizaje automático para el big data
- El aprendizaje automático transforma los macrodatos en inteligencia empresarial
- Fundamentos de aprendizaje automático para entornos de Big Data
- Clasificación de problemas de ML y mapeo empresarial
- Estrategia de aprendizaje automático para escenarios de big data
- Análisis de problemas de aprendizaje automático
- Fundamentos del aprendizaje automático para la evaluación de big data
- La calidad de los datos impulsa el éxito del aprendizaje automático a gran escala
- Técnicas de preparación de datos para el aprendizaje automático (ML)
- Flujos de trabajo distribuidos para la preparación de datos
- Estrategia de preparación de datos y evaluación de la calidad
- Canal de preparación de datos de ML
- Evaluación de la preparación de datos para el aprendizaje automático a gran escala
- Una evaluación rigurosa evita desastres a gran escala en el aprendizaje automático
- Evaluación de modelos de aprendizaje automático para sistemas de big data
- Implementación de la evaluación de modelos escalables
- Diseño y optimización de estrategias de evaluación
- Evaluación de modelos escalables
- Evaluación de modelos a gran escala
- Fundamentos del aprendizaje automático para dominar el big data
UNIDAD 17 - Creación de modelos de aprendizaje automático con PySpark ML · 22 leccionesAnálisis de datos y aprendizaje automático para Big Data - UNIDAD 17 - Creación de modelos de aprendizaje automático con PySpark ML
UNIDAD 17 - Creación de modelos de aprendizaje automático con PySpark ML · 22 lecciones
Análisis de datos y aprendizaje automático para Big Data - UNIDAD 17 - Creación de modelos de aprendizaje automático con PySpark ML
- Democratizar el aprendizaje automático a escala empresarial
- Comparación de arquitecturas y plataformas de aprendizaje automático con PySpark
- Desarrollo de pipelines de aprendizaje automático con PySpark en distintas plataformas
- Desarrollo de componentes de ML Pipeline
- Estrategia de selección de plataformas para cargas de trabajo de aprendizaje automático
- Comparación de plataformas de aprendizaje automático y creación de flujos de trabajo
- Evaluación de los fundamentos de la plataforma PySpark ML
- Casos de éxito del aprendizaje supervisado en el ámbito del big data empresarial
- Algoritmos de aprendizaje supervisado para big data
- Desarrollo de modelos de aprendizaje supervisado
- Implementación del aprendizaje supervisado
- Selección de algoritmos y arquitectura de la plataforma
- Desarrollo de modelos de aprendizaje supervisado
- Evaluación del aprendizaje supervisado a gran escala
- Los sistemas de recomendación impulsan el crecimiento empresarial
- Aprendizaje no supervisado y sistemas de recomendación
- Creación de sistemas de recomendación escalables
- Implementación de un sistema de recomendaciones
- Arquitectura de recomendaciones y estrategia de implementación
- Desarrollo de sistemas de recomendación
- Aprendizaje no supervisado y evaluación de recomendaciones
- Dominio de la implementación de aprendizaje automático con PySpark
UNIDAD 18 - Análisis de texto y PLN a gran escala · 22 leccionesAnálisis de datos y aprendizaje automático para Big Data - UNIDAD 18 - Análisis de texto y PLN a gran escala
UNIDAD 18 - Análisis de texto y PLN a gran escala · 22 lecciones
Análisis de datos y aprendizaje automático para Big Data - UNIDAD 18 - Análisis de texto y PLN a gran escala
- Valor añadido del texto no estructurado a gran escala
- Técnicas de procesamiento de texto distribuido
- Creación de flujos de trabajo escalables para el procesamiento de texto
- Desarrollo de canalizaciones de preprocesamiento de textos
- Estrategia de procesamiento de textos y optimización de la calidad
- Diseño de un sistema de preprocesamiento de texto escalable
- Evaluación del procesamiento de texto a gran escala
- El PLN avanzado impulsa la inteligencia empresarial
- Técnicas avanzadas de PLN para el big data
- Implementación de técnicas avanzadas de PLN a gran escala
- Implementación y supervisión avanzadas del PLN
- Arquitectura y estrategia de integración del PLN
- Diseño de la arquitectura del sistema de PLN
- Evaluación de técnicas avanzadas de PNL
- La clasificación de textos a escala de producción transforma las operaciones empresariales
- Arquitecturas escalables de clasificación de textos
- Creación de sistemas de clasificación de textos de producción
- Desarrollo de un sistema de clasificación de textos
- Arquitectura de clasificación de texto y optimización del rendimiento
- Aplicación del sistema de clasificación de textos
- Evaluación de la clasificación de textos a gran escala
- Análisis de texto y dominio del procesamiento del lenguaje natural (NLP)
UNIDAD 19 - Aprendizaje profundo para el big data · 22 leccionesAnálisis de datos y aprendizaje automático para Big Data - UNIDAD 19 - Aprendizaje profundo para el big data
UNIDAD 19 - Aprendizaje profundo para el big data · 22 lecciones
Análisis de datos y aprendizaje automático para Big Data - UNIDAD 19 - Aprendizaje profundo para el big data
- El aprendizaje profundo revoluciona el análisis de big data
- Arquitecturas de aprendizaje profundo para Big Data
- Implementación de redes neuronales en marcos de Big Data
- Implementación de redes neuronales
- Selección y optimización de la arquitectura de redes neuronales
- Redes neuronales para la clasificación de Big Data
- Evaluación de los fundamentos del aprendizaje profundo
- Las arquitecturas avanzadas transforman el análisis de datos complejos
- Arquitecturas avanzadas de aprendizaje profundo para la escalabilidad
- Implementación a gran escala de CNN y RNN
- Implementación de arquitectura avanzada
- Selección de arquitecturas para problemas específicos relacionados con el big data
- Diseño de arquitecturas de aprendizaje profundo
- Evaluación de arquitecturas avanzadas de aprendizaje profundo
- El aprendizaje profundo distribuido permite una escala revolucionaria
- Estrategias de entrenamiento de aprendizaje profundo distribuido
- Implantación del aprendizaje profundo distribuido
- Implementación y gestión de la formación a distancia
- Estrategia e infraestructura de formación distribuida
- Formación en aprendizaje profundo distribuido
- Evaluación del entrenamiento de aprendizaje profundo distribuido
- Aprendizaje profundo para dominar el big data
UNIDAD 20 - Integración de la IA generativa y el big data · 22 leccionesAnálisis de datos y aprendizaje automático para Big Data - UNIDAD 20 - Integración de la IA generativa y el big data
UNIDAD 20 - Integración de la IA generativa y el big data · 22 lecciones
Análisis de datos y aprendizaje automático para Big Data - UNIDAD 20 - Integración de la IA generativa y el big data
- La IA generativa transforma el análisis de big data
- Arquitecturas de IA generativa e integración de big data
- Exploración de modelos generativos de IA para aplicaciones de datos
- Exploración de modelos de IA generativa
- Estrategia de IA generativa para la mejora del big data
- Evaluación de los fundamentos de la IA generativa
- Los LLM democratizan el análisis de datos
- Estrategias de integración de modelos de lenguaje a gran escala
- Integración de modelos LLM con flujos de trabajo de big data
- Integración y automatización de API LLM
- Arquitectura de integración de LLM e integración de servicios
- Proceso de análisis de datos mejorado con LLM
- Evaluación de las técnicas de integración de LLM
- Los modelos de IA específicos para cada ámbito generan valor empresarial
- Estrategias de ajuste fino de modelos y de adaptación de dominio
- Implementación de flujos de trabajo de ajuste fino - Parte 1
- Implementación de flujos de trabajo de ajuste fino - Parte 2
- Ajuste de la implementación y la supervisión del proceso
- Ajuste de la estrategia y puesta en marcha de la producción
- Estrategia de ajuste fino de modelos específicos de dominio
- Evaluación de las técnicas de personalización de modelos
- Dominio de la integración de la IA generativa
UNIDAD 21 - Marcos de gobernanza de datos para el big data · 21 leccionesGestión y optimización de Big Data - UNIDAD 21 - Marcos de gobernanza de datos para el big data
UNIDAD 21 - Marcos de gobernanza de datos para el big data · 21 lecciones
Gestión y optimización de Big Data - UNIDAD 21 - Marcos de gobernanza de datos para el big data
- La gobernanza de datos evita desastres empresariales
- Diseño del marco de gobernanza de Big Data
- Creación de políticas de gobernanza de datos empresariales
- Desarrollo de estrategias de gobernanza y coordinación con las partes interesadas
- Diseño del marco de gobernanza de datos
- Evaluación de los fundamentos de la gobernanza de datos
- Los metadatos convierten el caos de datos en activos empresariales
- Gestión de metadatos empresariales con Microsoft Purview
- Implementación y configuración de Microsoft Purview
- Integración y automatización de la API de metadatos
- Arquitectura e integración de la estrategia de metadatos
- Implementación del catálogo de Microsoft Purview
- Evaluación de la implantación de la gestión de metadatos
- La calidad de los datos fomenta la confianza empresarial
- Implementación del marco de calidad y linaje de los datos
- Configuración de la calidad y el linaje de los datos
- Aplicación y seguimiento de las normas de calidad de los datos
- Estrategia de calidad de los datos y planificación de medidas correctoras
- Implementación de la calidad y el linaje de los datos
- Evaluación de la calidad de los datos y la gestión del linaje de los datos
- Examen de evaluación sobre el dominio de la implementación de la gobernanza de datos
UNIDAD 22 - Implementación de medidas de seguridad para sistemas de big data · 22 leccionesGestión y optimización de Big Data - UNIDAD 22 - Implementación de medidas de seguridad para sistemas de big data
UNIDAD 22 - Implementación de medidas de seguridad para sistemas de big data · 22 lecciones
Gestión y optimización de Big Data - UNIDAD 22 - Implementación de medidas de seguridad para sistemas de big data
- La arquitectura de seguridad evita filtraciones catastróficas de datos
- Diseño de la arquitectura de seguridad de Big Data
- Diseño e implementación de la arquitectura de seguridad
- Estrategia de arquitectura de seguridad y evaluación de riesgos
- Diseño de la arquitectura de seguridad
- Evaluación de los principios de la arquitectura de seguridad
- Gestión de identidades a escala empresarial
- Gestión de identidades y accesos corporativos para el big data
- Configuración y gestión de RBAC – Parte 1
- Configuración y gestión de RBAC – Parte 2
- Scripts de automatización de la gestión de identidades
- Estrategia de control de acceso y planificación de la gobernanza
- Implementación y gestión de RBAC
- Evaluación de la gestión de identidades y accesos
- La protección de datos permite una innovación conforme a la normativa
- Marco de cumplimiento en materia de protección de datos y privacidad
- Aplicación de la normativa de protección de datos
- Automatización y cumplimiento normativo en materia de protección de datos
- Estrategia de protección de datos y planificación del cumplimiento normativo
- Aplicación de la normativa sobre protección de datos y privacidad
- Evaluación del cumplimiento de las normas de protección de datos y privacidad
- Examen evaluativo sobre el dominio de la implementación de la seguridad en Big Data
UNIDAD 23 - Técnicas de optimización del rendimiento · 22 leccionesGestión y optimización de Big Data - UNIDAD 23 - Técnicas de optimización del rendimiento
UNIDAD 23 - Técnicas de optimización del rendimiento · 22 lecciones
Gestión y optimización de Big Data - UNIDAD 23 - Técnicas de optimización del rendimiento
- La supervisión del rendimiento evita fallos del sistema
- Marco de supervisión del rendimiento de Big Data
- Configuración de Azure Monitor y Log Analytics
- Estrategia de seguimiento y establecimiento de la línea de base de rendimiento
- Implementación de la supervisión del rendimiento
- Evaluación del seguimiento y análisis del rendimiento
- La optimización de consultas transforma la experiencia del usuario
- Optimización avanzada de consultas y procesamiento
- Análisis y optimización del rendimiento de las consultas
- Optimización de consultas y ajuste del rendimiento
- Estrategia y metodología para la optimización del rendimiento
- Implementación de la optimización de consultas
- Evaluación de la optimización de consultas y procesamiento
- Las estrategias de almacenamiento en caché ofrecen un rendimiento inferior a un segundo
- Almacenamiento en caché avanzado y gestión de la memoria
- Implementación y optimización del almacenamiento en caché – Parte 1
- Implementación y optimización del almacenamiento en caché – Parte 2
- Implementación y gestión del almacenamiento en caché
- Arquitectura de almacenamiento en caché y desarrollo de estrategias
- Implementación de la estrategia de almacenamiento en caché
- Evaluación del almacenamiento en caché y la optimización de la memoria
- Examen de evaluación de «Dominio de la optimización del rendimiento»
UNIDAD 24 - Ampliación de sistemas de big data · 22 leccionesGestión y optimización de Big Data - UNIDAD 24 - Ampliación de sistemas de big data
UNIDAD 24 - Ampliación de sistemas de big data · 22 lecciones
Gestión y optimización de Big Data - UNIDAD 24 - Ampliación de sistemas de big data
- Las estrategias de expansión permiten un crecimiento ilimitado
- Arquitectura y estrategia de escalabilidad del Big Data
- Análisis y planificación de la estrategia de expansión – Parte 1
- Análisis y planificación de la estrategia de expansión – Parte 2
- Desarrollo y planificación de estrategias de expansión
- Análisis de la estrategia de expansión
- Principios de escalabilidad y evaluación de la estrategia
- El escalado horizontal permite gestionar datos a escala de Internet
- Guía de implementación del escalado horizontal
- Implementación de la segmentación y la distribución
- Configuración de la segmentación y el equilibrio de carga
- Arquitectura de escalabilidad horizontal y optimización
- Implementación del escalado horizontal
- Evaluación de la implementación del escalado horizontal
- El escalado automático ofrece sistemas ágiles y rentables
- Marco de escalabilidad automática y elasticidad
- Configuración y gestión del escalado automático
- Implementación y supervisión de la política de autoescalado
- Estrategia de escalado automático y optimización de costes
- Implementación del escalado automático
- Evaluación del escalado automático y la gestión de la elasticidad
- Examen evaluativo sobre el dominio de la implementación de estrategias de escalabilidad
UNIDAD 25 - Buenas prácticas y casos prácticos sobre big data empresarial · 24 leccionesGestión y optimización de Big Data - UNIDAD 25 - Buenas prácticas y casos prácticos sobre big data empresarial
UNIDAD 25 - Buenas prácticas y casos prácticos sobre big data empresarial · 24 lecciones
Gestión y optimización de Big Data - UNIDAD 25 - Buenas prácticas y casos prácticos sobre big data empresarial
- La excelencia operativa garantiza la continuidad empresarial
- Marco de operaciones de big data empresarial
- Aplicación del marco operativo
- Infraestructura como código y scripts de automatización
- Estrategia operativa y mejora continua
- Implementación de la excelencia operativa
- Evaluación de las prácticas de excelencia operativa
- La optimización de costes maximiza el retorno de la inversión en Big Data
- Gestión de costes del big data empresarial
- Análisis de costes e implementación de la optimización – Parte 1
- Análisis de costes e implementación de la optimización – Parte 2
- Automatización de la gestión de costes y elaboración de informes
- Estrategia de optimización de costes y planificación del retorno de la inversión
- Implementación de la optimización de costes
- Evaluación de la gestión y optimización de costes
- Aprender de los casos de éxito de las grandes empresas en materia de big data
- Análisis de casos prácticos sobre big data empresarial
- Estudio de casos y análisis de patrones - Parte 1
- Análisis en profundidad de un caso práctico y análisis de patrones – Parte 2
- Análisis de casos prácticos y planificación de la aplicación
- Análisis y aplicación de casos prácticos
- Evaluación de patrones empresariales y mejores prácticas
- Examen de evaluación sobre el dominio de la gestión de big data empresarial
- Proyecto del curso: Optimización de la plataforma de big data empresarial
Certificado oficial
Tu certificado lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Cómo funciona
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
25 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
218 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Lo que obtienes
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por Microsoft.
- Folio y QR verificables para compartirlo con quien te contrate.
Medios que necesitas
Equipo de cómputo
Conexión estable a internet
Pago único
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 25 unidades · 526 lecciones · 240 h
- 12 meses de acceso
- 218 cuestionarios de evaluación
- Certificado emitido por la SEP (Gob. del Estado de México) con folio verificable
Preguntas frecuentes
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por Microsoft; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
