Data Engineering on Google Cloud Platform

Introducción a la ingeniería de datos

• Conocer el rol de un ingeniero de datos.
• Analizar los desafíos de la ingeniería de datos.
• Introducción a BigQuery.
• Data Lakes y Data Warehouses.
• Demostración: Federated Queries con BigQuery.
• Bases de datos transaccionales vs Data Warehouses.
• Demostración web: Encontrar PII en su dataset con la API DLP.
• Asociación efectiva con otros equipos de datos.
• Gestionar el acceso a los datos y la gobernanza.
• Creación de pipelines listos para producción.
• Revisión del caso de estudio personalizado de GCP.
• Laboratorio: análisis de datos con BigQuery.

Creación de un Data Lake

• Introducción a Data Lakes.
• Almacenamiento de datos y opciones ETL en GCP.
• Creación de un Data Lake con almacenamiento en Cloud.
• Demostración opcional: optimización de costes con las clases de Google Cloud Storage y las funciones Cloud.
• Securizar el almacenamiento en Cloud.
• Almacenar de manera ordenada todo tipo de datos.
• Video demostración: ejecución de federated queries en ficheros ORC y Parquet en BigQuery.
• Cloud SQL como un Data Lake relacional.
• Laboratorio: Carga de datos procedentes de un taxi en Cloud SQL.

Creación de un Data Warehouse

• El Data Warehouse moderno.
• Introducción a BigQuery.
• Demostración: Query TB+ de datos en segundos.
• Introducción.
• Carga de datos.
• Video demostración: Consulta de Cloud SQL desde BigQuery.
• Laboratorio: carga de datos en BigQuery.
• Estudio de esquemas.
• Demostración: estudio de Datasets públicos de BigQuery con SQL utilizando INFORMATION_SCHEMA.
• Diseño de esquemas.
• Campos anidados y repetidos.
• Demostración: campos anidados y repetidos en BigQuery.
• Laboratorio: trabajar con datos JSON y Array en BigQuery.
• Optimización con particionamiento y clustering.
• Demostración: Tablas particionadas y clusterizadas en BigQuery.
• Vista previa: transformación de datos Batch y Streaming.

Introducción a la creación de Batch Data Pipelines

• EL, ELT, ETL.
• Consideraciones de calidad.
• Realizar operaciones en BigQuery.
• Demostración: ELT para mejorar la calidad de los datos en BigQuery.
• Deficiencias.
• ETL para resolver problemas de calidad de datos.

Ejecutar Spark en Cloud Dataproc

• El ecosistema de Hadoop.
• Ejecutar Hadoop en Cloud Dataproc.
• GCS en lugar de HDFS.
• Optimización de Dataproc.
• Laboratorio: ejecución de Apache Spark jobs en Cloud Dataproc.

Procesamiento de datos Serverless con Cloud Dataflow

• Cloud Dataflow.
• El valor del Dataflow para los clientes.
• Dataflow Pipelines.
• Laboratorio: Un Dataflow Pipeline simple (Python/Java).
• Laboratorio: MapReduce en Dataflow (Python/Java).
• Laboratorio: Side Inputs (Python/Java).
• Plantillas de Dataflow.
• Dataflow SQL.

Administrar Data Pipelines con Cloud Data Fusion y Cloud Composer

• Crear de manera visual Batch Data Pipelines con Cloud Data Fusion.
• Componentes.
• Descripción general de la UI.
• Creacion de un Pipeline.
• Estudio de datos con el uso de Wrangler.
• Laboratorio: creación y ejecución de un gráfico pipeline en Cloud Data Fusion.
• Orquestar el trabajo entre los servicios de GCP con Cloud Composer.
• Apache Airflow Environment.
• DAGs y Operadores.
• Programación de un Workflow.
• Demostración opcional: carga de datos activada por eventos con Cloud Composer, Cloud Functions, Cloud Storage y BigQuery.
• Monitorización y Logging.
• Laboratorio: Introducción a Cloud Composer.

Introducción al procesamiento de datos streaming

• Procesamiento de datos streaming.

Mensajería Serverless con Cloud Pub/Sub

• Cloud Pub/Sub.
• Laboratorio: Publicar datos streaming en Pub/Sub.

Características de Cloud Dataflow Streaming

• Características de BigQuery Streaming.
• Laboratorio: Streaming Data Pipelines.

Características de BigQuery Streaming y Bigtable de alto rendimiento

• Características streaming de BigQuery.
• Laboratorio: Streaming Analytics y Dashboards.
• Cloud Bigtable.
• Laboratorio: Streaming Data Pipelines en Bigtable.

Funcionalidad y rendimiento avanzados de BigQuery

• Funciones de ventana analíticas.
• Uso de cláusulas With.
• Funciones GIS.
• Demostración: mapear los códigos postales de más rápido crecimiento con BigQuery GeoViz.
• Consideraciones de rendimiento.
• Laboratorio: Optimización de consultas BigQuery para mejorar el rendimiento.
• Laboratorio opcional: creación de tablas particionadas por fecha en BigQuery.

Introducción a la analítica y la IA

• ¿Qué es la IA?
• Del análisis de datos Ad-hoc a las decisiones basadas en datos.
• Opciones para modelos ML en GCP.

APIs de modelado ML preconstruidas para datos no estructurados

• La dificultad de los datos no estructurados.
• APIs de ML para el enriquecimiento los datos.
• Laboratorio: uso de la API de lenguaje natural para clasificar texto no estructurado.

Análisis Big Data con Cloud AI Platform Notebooks

• ¿Qué es un Notebook?
• BigQuery Magic y Ties to Pandas.
• Laboratorio: BigQuery en Jupyter Labs para la plataforma IA.

Pipelines ML en producción con Kubeflow

• Métodos para aplicar ML en GCP.
• Kubeflow.
• AI Hub.
• Laboratorio: ejecución de modelos de IA en Kubeflow.

Creación de modelos personalizados con SQL en BigQuery ML

• BigQuery ML para Quick Model Building.
• Demostración: enseñar a un modelo de BigQuery ML a predecir las tarifas de taxi de Nueva York.
• Modelos compatibles.
• Laboratorio (Opción 1): Predecir la duración de un viaje en bicicleta con un modelo de regresión en BQML.
• Laboratorio (Opción 2): Recomendaciones de películas en BigQuery ML.

Creación de modelos personalizados con Cloud AutoML

• ¿Porqué utilizar Auto ML?
• Auto ML Vision.
• Auto ML NLP.
• Tablas Auto ML.