PySpark y Aprendizaje Automático

PySpark y Aprendizaje Automático

Módulo 1: Fundamentos de Big Data y Spark

• Panorama general del ecosistema de Big Data y el papel de Spark en las plataformas de datos modernas.
• Comprensión de la arquitectura de Spark: driver, executors, gestor del clúster, evaluación diferida, DAG y planificación de ejecución.
• Diferencias entre las APIs RDD y DataFrame y cuándo utilizar cada enfoque.
• Creación y configuración de SparkSession y comprensión de los fundamentos de la configuración de aplicaciones.

Módulo 2: DataFrames de PySpark

• Lectura y escritura de datos desde fuentes y formatos empresariales (CSV, JSON, Parquet, Delta).
• Trabajo con DataFrames de PySpark: transformaciones, acciones, expresiones de columnas, filtrado, uniones y agregaciones.
• Implementación de operaciones avanzadas como funciones de ventana, manejo de marcas de tiempo y trabajo con datos anidados.
• Aplicación de comprobaciones de calidad de datos y escritura de código PySpark reutilizable y mantenible.

Módulo 3: Procesamiento eficiente de grandes conjuntos de datos

• Comprensión de los fundamentos del rendimiento: estrategias de particionamiento, comportamiento del shuffle, caché y persistencia.
• Uso de técnicas de optimización, incluyendo uniones por difusión (broadcast joins) y análisis del plan de ejecución.
• Procesamiento eficiente de grandes conjuntos de datos y mejores prácticas para flujos de trabajo de datos escalables.
• Comprensión de la evolución del esquema y los formatos de almacenamiento modernos utilizados en entornos empresariales.

Módulo 4: Ingeniería de características a gran escala

• Realización de ingeniería de características con Spark MLlib: manejo de valores nulos, codificación de variables categóricas y escalado de características.
• Diseño de pasos de preprocesamiento reutilizables y preparación de conjuntos de datos para pipelines de aprendizaje automático.
• Introducción a la selección de características y manejo de conjuntos de datos desbalanceados.

Módulo 5: Aprendizaje automático con Spark MLlib

• Comprensión de la arquitectura de MLlib y el patrón Estimator/Transformer.
• Entrenamiento de modelos de regresión y clasificación a gran escala (Regresión Lineal, Regresión Logística, Árboles de Decisión, Bosque Aleatorio).
• Comparación de modelos e interpretación de resultados en flujos de trabajo de aprendizaje automático distribuidos.

Módulo 6: Pipelines de ML de extremo a extremo

• Construcción de pipelines de aprendizaje automático de extremo a extremo que combinen preprocesamiento, ingeniería de características y modelado.
• Aplicación de estrategias de división de datos en entrenamiento, validación y prueba.
• Realización de validación cruzada y ajuste de hiperparámetros mediante búsqueda en cuadrícula (grid search) y búsqueda aleatoria.
• Estructuración de experimentos de aprendizaje automático reproducibles.

Módulo 7: Evaluación de modelos y toma de decisiones prácticas en ML

• Aplicación de métricas de evaluación adecuadas para problemas de regresión y clasificación.
• Identificación de sobreajuste y subajuste, y toma de decisiones prácticas sobre la selección de modelos.
• Interpretación de la importancia de las características y comprensión del comportamiento del modelo.

Módulo 8: Prácticas de producción y entorno empresarial

• Persistencia y carga de modelos en Spark.
• Implementación de flujos de trabajo de inferencia por lotes en grandes conjuntos de datos.
• Comprensión del ciclo de vida del aprendizaje automático en entornos empresariales.
• Introducción a conceptos de versionado, seguimiento de experimentos y estrategias básicas de prueba.

Resultado práctico

• Capacidad para trabajar de forma autónoma con PySpark.
• Capacidad para procesar grandes conjuntos de datos de manera eficiente.
• Capacidad para realizar ingeniería de características a gran escala.
• Capacidad para construir pipelines de aprendizaje automático escalables.