Shop

Este módulo explora una serie de los temas más relevantes relacionados con las prácticas, tecnologías y herramientas contemporáneas de análisis para los ambientes de Big Data. El contenido del módulo intencionalmente mantiene su cobertura a nivel conceptual, enfocándose en temas que permiten a los participantes desarrollar una comprensión integral de las funciones y características de análisis comunes ofrecidas por las soluciones de Big Data, así como una comprensión de alto nivel de los componentes de back end que habilitan estas funciones.  

Se cubren los siguientes temas principales:

• Ciclo de vida del análisis de Big Data (de Evaluación del caso empresarial a Análisis y visualización de datos)
• Pruebas A/B y Correlación
• Regresión y Mapas de calor
• Análisis de series temporales
• Análisis de redes y Análisis de datos espaciales
• Clasificación y Agrupamiento
• Filtrado, incluyendo Filtrado colaborativo y Filtrado basado en contenido
• Análisis de sentimientos y Analítica de texto
• Clusters y Cargas de trabajo de procesamiento por lotes y transaccionales
• Cómo se relaciona la Computación en la Nube con Big Data
• Mecanismos tecnológicos fundacionales de Big Data
• Dispositivos de almacenamiento y Motores de procesamiento de Big Data
• Gestores de recursos, Motores de transferencia de datos y Motores de consultas
• Motores analíticos, Motores de flujo de trabajo, Motores de coordinación

Este módulo proporciona una vista general de las áreas temáticas esenciales relacionadas con la arquitectura de las plataformas de solución de Big Data, cubriendo una diversidad de modelos, enfoques y consideraciones arquitectónicas. Se explican los mecanismos de Big Data para la creación de soluciones de Big Data, así como opciones de arquitectura para ensamblar plataformas de procesamiento de datos. El módulo además introduce la bodega de datos empresarial y discute varias opciones para su integración con los ambientes de Big Data. Se presentan también escenarios comunes para proporcionar una comprensión básica de la manera en que generalmente se utilizan las soluciones de Big Data. Finalmente, se explora el uso de ambientes de nube para soluciones de Big Data en el contexto de los modelos de entrega y despliegue de computación en la nube.

Se proporcionan los siguientes ejercicios:

• Motores de seguridad, administradores de grupo y administradores de la gobernaza de datos
• Motores de visualización y portales de productividad
• Modelos arquitectónicos de procesamiento de datos a nivel de máquina
• Arquitecturas todo-compartido y nada-compartido
• Arquitectura lógica de analíticas de Big Data
• Fuentes de datos y capas de adquisición de datos
• Capas de almacenamiento, de procesamiento y por lotes
• Procesamiento en tiempo real, incluyendo flujo de eventos y procesamiento de flujos complejos
• Enfoques de bodega de datos empresariales e integración de Big Data (incluyendo series y paralelo)
• Poly Source, incluyendo fuentes relacionales, de flujo y basadas en archivos
• Poly Storage, incluyendo replicación automática de datos y reducción del tamaño de los datos
• Almacenamiento de acceso aleatorio, incluyendo alto volumen binario, tabular, vinculado, jerárquico y fragmentación de datos
• Procesamiento de lotes a gran escala, descomposición compleja y procesamiento de abstracción
• Poly Sink, incluyendo Sink relacional, Sink basado en archivos y ejecución automatizada de conjuntos de datos
• Dispositivo de Big Data y virtualización de datos
• Ambientes arquitectónicos, incluyendo ETL
• Motores de analíticas y enriquecimiento de aplicaciones
• Computación en la nube y consideraciones arquitectónicas de Big Data
• Modelos de entrega y despliegue en nube para el hospedaje de soluciones de Big Data

Este módulo explora temas avanzados relacionados con la arquitectura de las plataformas de solución de Big Data. En particular, se presentan y discuten las diferentes capas arquitectónicas que conforman la plataforma de solución de Big Data, incluyendo aquellas relacionadas con el almacenamiento, procesamiento y seguridad. También se cubren una serie de patrones de diseño y patrones compuestos generalmente empleados en la construcción de soluciones empresariales de Big Data.

Se cubren los siguientes temas principales:

• Bodegas de datos empresariales y Big Data
• Almacenamiento de datos operativos, mercados de datos y bases de datos analíticas
• Capas arquitectónicas de las soluciones de Big Data
• Arquitectura de Big Data, mantenimiento y gobernanza
• Arquitectura de seguridad de Big Data
• Enfoques de series, paralelos, dispositvos y virtualización
• Big Data y almacenamiento y procesamiento de datos basados en nube
• Datos canónicos y procesamiento de gráficos a gran escala
• Almacenamiento de acceso en tiempo real y acceso directo a los datos
• Sandbox analítica y almacenamiento de datos confidenciales
• Procesamiento de lotes de datos y desnormalización de conjuntos de datos
• Depósito de datos en línea y arquitectura de bodegas de Big Data
• Almacenamiento de datos operativos y acceso indirecto a los datos
• Acceso integrado y gobernanza centralizada de conjuntos de datos
• Procesamiento de flujo de eventos y procesamiento de eventos complejos
• Entrada Fan-in, entrada Fan-out y procesamiento a alta velocidad en tiempo real
• Salida de datos, visualización de datos y utilización de datos
• Manipulación de datos, procesamiento de datos y procesamiento de análisis de datos
• Patrones de diseño de las soluciones de Big Data y patrones arquitectónicos compuestos
• Arquitectura Lambda, capas, características y beneficios

Este módulo presenta a los participantes una serie de ejercicios y problemas diseñados para poner a prueba su capacidad para aplicar sus conocimientos de los temas cubiertos en los módulos anteriores. Completar este laboratorio ayudará a resaltar las áreas que requieren mayor atención y además ayudará a demostrar el dominio de las prácticas de arquitectura de Big Data tal como se aplican y combinan para resolver problemas del mundo real.

Se proporcionan los siguientes ejercicios:

• Ejercicio de lectura 16.1: Lectura y socialización en clase: Antecedentes del caso de estudio de SFI
• Ejercicio de laboratorio 16.2: Diseñar un Big Data Pipeline para cumplir con los SLA
• Ejercicio de laboratorio 16.3: Reducción de la insatisfacción de los clientes
• Ejercicio de laboratorio 16.4: Reducir los costos de almacenamiento de datos
• Ejercicio de lectura 16.5: Lectura y socialización en clase: Antecedentes del caso de estudio de LOC
• Ejercicio de laboratorio 16.6: Solución para una exploración petrolera inteligente
• Ejercicio de laboratorio 16.7: Mejorar la producción de los pozos petroleros
• Ejercicio de laboratorio 16.8: Reducir los costos de mantenimiento y alcanzar el cumplimiento normativo
• Ejercicio de lectura 16.9: Lectura y socialización en clase: Antecedentes del caso de estudio de TXC
• Ejercicio de laboratorio 16.10: Identificar el fraude y eliminar los residuos
• Ejercicio de laboratorio 16.11: Asignación priorizada de recursos y acceso libre a los datos