From Data to Insights with Google Cloud

Módulo 1: Introducción a los datos en Google Cloud

• Comparación de la infraestructura de datos local y en Google Cloud

Módulo 2: Análisis de grandes conjuntos de datos con BigQuery

• Identificar las tareas y los retos de los analistas de datos e introducir las herramientas de datos de Google Cloud

• Explorar las características fundamentales de BigQuery

• Comparar las diferencias en las funciones y los conjuntos de herramientas entre analistas de datos, científicos de datos e ingenieros de datos

• Acceder a la interfaz de usuario web de BigQuery y explorar un conjunto de datos público con SQL básico 

Módulo 3: Exploración de datos públicos de BigQuery con SQL

• Comparar técnicas comunes de exploración de datos

• Identificar los componentes clave de una sentencia SQL SELECT básica y los errores más comunes

• Debatir los fundamentos de las funciones SQL y cómo crear campos calculados con parámetros de entrada

• Explorar datos públicos de BigQuery

• Resolución de problemas de calidad de conjuntos de datos mediante el análisis de registros duplicados con SQL en la interfaz web de BigQuery

Módulo 4: Limpieza y transformación de datos con Dataprep

• Distinguir las diferentes formas de los conjuntos de datos y sus posibles sesgos

• Limpiar y transformar datos mediante SQL

• Limpiar y transformar datos con Dataprep 

Módulo 5: Visualización de información y creación de consultas programadas

• Comparar visualizaciones de datos y hacer recomendaciones de mejora

• Creación de cuadros de mando y visualizaciones con Looker Studio 

Módulo 6: Almacenamiento e ingesta de nuevos conjuntos de datos

• Diferenciar entre tablas de datos permanentes y temporales

• Identificar los tipos y formatos de datos que BigQuery puede ingestar

• Diferenciar entre el almacenamiento de tablas nativo de BigQuery y las conexiones de fuentes de datos externas

• Cargar nuevos datos en BigQuery 

Módulo 7: Enriquecimiento del almacén de datos con JOINs

• Explicar cuándo utilizar UNIONs y cuándo utilizar JOINs

• Identificar las principales dificultades a la hora de unir y combinar conjuntos de datos

• Diferenciar visualmente los tipos de unión

• Explicar cómo funcionan los comodines de unión y cuándo utilizarlos

• Escribir SQL JOINs y UNIONs contra un conjunto de datos en la interfaz web de BigQuery 

Módulo 8: Funciones avanzadas y partición de consultas y tablas para obtener información avanzada

• Identificar las funciones de aproximación estadística disponibles y las funciones definidas por el usuario

• Aplicar la estimación de registros a gran escala con funciones de agregación aproximada

• Deconstruir una consulta de ventana analítica y explicar cuándo utilizar RANK() y PARTITION

• Explicar cuándo utilizar Common Table Expressions (WITH) para descomponer consultas complejas

Módulo 9: Diseño de esquemas a escala: Arrays y estructuras en BigQuery

• Diferenciar entre BigQuery y la arquitectura de datos tradicional

• Trabajar con ARRAYs y STRUCTs como parte de campos anidados en esquemas de datos 

Módulo 10: Optimización del rendimiento de las consultas

• Identificar los problemas de rendimiento de BigQuery

• Analizar el “execution plan" y cómo interpretar los tiempos de procesamiento MAX y AVG por step

• Describir cómo analizar y solucionar problemas de consultas fallidas

Módulo 11: Control del acceso con las mejores prácticas de seguridad de datos

• Revisión de los roles de acceso a datos en Google Cloud y BigQuery

• Destacar los principales problemas de acceso a los datos y cómo evitarlos

Módulo 12: Predecir las compras de retorno de los visitantes con BigQuery ML

• Explicar cómo ML en datos estructurados impulsa el valor

• Describir cómo se puede predecir el LTV del cliente con un modelo ML

• Elegir el tipo de modelo adecuado para diferentes casos de uso de datos estructurados

• Crear modelos ML con SQL 

Módulo 13: Obtención de información a partir de datos no estructurados mediante el aprendizaje automático

• Argumentar cómo ML es capaz de impulsar el valor de negocio

• Explicar cómo funciona el ML en datos no estructurados

• Diferenciar entre modelos ML pre-construidos, modelos personalizados y nuevos modelos al considerar una estrategia de aplicación de IA