← Todas las rutas
Datos para IA
La capa de datos de la que depende la IA: fundamentos de ingeniería de datos, Python y SQL para datos, modelado para analítica, dbt, orquestación con Airflow, Spark, lakehouse con Iceberg, streaming con Kafka y Flink, confiabilidad y gobierno, y SQL que los LLMs y los agentes pueden usar con seguridad.
- Recorrido
- 13 guías · 704 lecciones
- Nivel
- Básico a intermedio
Fundamentos de data engineeringDa el salto de programar a pensar como data engineer: modela tus primeras tablas, valida los datos y construye un pipeline que puedes volver a correr sin duplicados.Empezar →
Python para data engineeringConvierte un script de datos en un paquete de Python que un equipo aceptaría revisar: instalable, con pruebas, con logs útiles, con reintentos y con transformaciones rápidas.Abrir →
SQL avanzado para consultasResponde preguntas de negocio complejas con una sola consulta SQL legible y rápida, y deja de exportar a hojas de cálculo lo que la base de datos ya resuelve.Abrir →
Modelado de datos para analíticaLleva un modelo de datos plano a un warehouse analítico de verdad, con dimensiones que guardan su historia y tablas que tu equipo de BI pueda consultar sin errores.Abrir →
dbt y analytics engineeringConvierte tus transformaciones de SQL sueltas en un proyecto de datos versionado, probado y documentado con dbt, que corre de punta a punta con un solo comando.Abrir →
Airflow y orquestación declarativaPon a correr solo tu pipeline de datos con Apache Airflow: programado cada día, con reintentos, esperando a que lleguen los datos y listo para reprocesar fechas pasadas.Abrir →
Spark y procesamiento distribuidoDescubre cuándo tus datos dejan de caber en una sola máquina y procésalos con Spark en tu laptop, leyendo el plan de ejecución para saber qué cuesta.Abrir →
Lakehouse e IcebergConvierte tus archivos Parquet en tablas Apache Iceberg con transacciones, historial consultable, cambios de esquema sin reescribir datos y upserts nativos.Abrir →
Streaming con Kafka y FlinkReconoce cuándo el streaming vale la pena y resuelve con Kafka y Flink lo que el batch no puede, como saber en minutos que una tienda dejó de reportar.Abrir →
Confiabilidad y gobierno de datosComprueba que tus datos son correctos, no solo que el pipeline terminó en verde, con tests de calidad, contratos de datos, linaje y protección de datos personales.Abrir →- Embeddings a fondoConvierte texto en vectores que tu equipo puede buscar: compara modelos de embeddings, elige la métrica de distancia correcta, divide con criterio y mide la calidad de la búsqueda antes de llegar a producción.Abrir →
- Fundamentos de bases de datos vectorialesEntiende cómo funcionan por dentro las bases de datos vectoriales, por qué un sistema RAG necesita una y cómo elegir la correcta para el proyecto de tu equipo.Abrir →
SQL para LLMs y agentesDeja que un agente de IA responda preguntas sobre tu base de datos escribiendo SQL, sin arriesgar borrados ni fugas y validando cada consulta antes de ejecutarla.Abrir →
Tu equipo construye pipelines de datos en los que la analítica y los agentes de IA pueden confiar.