Feature Engineering at Scale - Spanish
En este curso, obtendrás una comprensión integral de cómo diseñar, escalar y operacionalizar pipelines de Ingeniería de características de extremo a extremo en la Plataforma de Databricks. El plan de estudios está estructurado en tres módulos progresivos: dominar los fundamentos de la ejecución distribuida y la optimización de Spark, implementar la Ingesta de datos escalable con Auto Loader y Pipelines declarativos de LakeFlow, y avanzar hacia MLOps de nivel de producción con el Feature Store de Databricks.
Participarás en experiencias de aprendizaje práctico, como la depuración del rendimiento de Spark con el Catalyst Optimizer y el Spark UI, la construcción de arquitecturas medallón Bronce-Plata-Oro robustas con verificaciones de calidad automatizadas, y la implementación de transformaciones de características escalables utilizando SparkML. El curso culmina con el despliegue de servicio de características en tiempo real a través de Online Feature Stores, la definición de FeatureSpecs con transformaciones bajo demanda, y la aplicación de gobernanza y seguimiento de Linaje con Unity Catalog.
Al finalizar el curso, estarás capacitado para administrar el ciclo de vida completo de las características para machine learning a escala empresarial, diseñando Pipelines que sean eficientes, confiables, gobernados y listos para producción.
Nota: Para los archivos de lecciones SCORM, asegúrese de cerrar la ventana de SCORM después de completar el contenido. No haga clic en el botón ‘Siguiente lección’, ya que hacerlo puede impedir que el módulo SCORM se marque como completado.
El contenido fue desarrollado para participantes con las siguientes habilidades, conocimientos y capacidades:
1. Haber completado el curso "Introduction to Apache Spark" o poseer conocimientos fundacionales equivalentes de Spark, incluyendo transformaciones básicas de datos y Spark SQL.
* Los estudiantes deben estar familiarizados con el rol de Spark en el procesamiento distribuido de datos. Este curso se basará en esa base para explicar cómo Spark habilita flujos de trabajo de machine learning escalables.
2. Nivel intermedio de competencia en programación Python, particularmente para la manipulación de datos utilizando bibliotecas como `pandas`, `numpy` o `scikit-learn`.
3. Comprensión intermedia de los flujos de trabajo tradicionales de machine learning, incluyendo el entrenamiento de modelos, la evaluación y el ajuste de hiperparámetros.
4. Familiaridad con la Plataforma de Databricks y los Flujos de trabajo.
* Se recomienda encarecidamente a los estudiantes completar el curso Databricks Machine Learning Associate antes de este curso. Este curso asume conocimiento del desarrollo de ML utilizando el entorno de Databricks.
A tu propio ritmo
Rutas de aprendizaje personalizadas para roles y trayectorias profesionales de datos, analítica e IA, con videos a pedido.
Registration options
Databricks ofrece modalidades de aprendizaje para acompañarlo en todo su recorrido.
A tu propio ritmo
Rutas de aprendizaje personalizadas para roles y trayectorias profesionales de datos, analítica e IA, con videos a pedido.
Regístrese ahora
Instruido por expertos
Cursos públicos y privados impartidos por instructores expertos en sesiones de medio día o dos días.
Regístrese ahora
Aprendizaje combinado (Blended Learning)
Sesiones semanales dirigidas por un instructor, junto con opciones a tu propio ritmo, para todos los estilos de aprendizaje, optimizando la finalización y la retención del conocimiento. Visite la pestaña “Catálogo de suscripciones” para comprar.
Comprar ahora
Skills@Scale
Oferta de capacitación integral para clientes a gran escala que incluye elementos para todos los estilos de aprendizaje. Consulte con su ejecutivo de cuenta para obtener más detalles.
