BIG DATA CON PYSPARK Y AWS

Fecha de Inicio: 5 de octubre de 2025

Duración: 45 Horas

Modalidades: Live Stream / Presencial C. de México

Inversión: $14,999.00 + I.V.A. / $16,999.00 + I.V.A.

Promoción: Hasta 30% de Descuento.

MÓDULO I: SPARK CON RDDs

Spark Context es la puerta de entrada al mundo de spark, en este módulo se trasmiten los conocimientos para crear y manipular RDDs (Resilent Distributed Datasets) que es la estructura base de spark y de otras herramientas para la manipulación y análisis de datos y la importancia del cómputo en paralelo.

• Levantamiento de Máquina EC2 en AWS
• Instalación de PySpark en una Máquina EC2
• Introducción a Spark
• Creación de RDDs
• Carga de Datos
• Operaciones con RDDs
• Map, Reduce, Filter, Union, Intersection, Group, Distinct
• KeyFunctions
• Persistencia
• Variables Broadcast
• PRÁCTICA: Construcción de Wordcloud en Tiempo Real

MÓDULO II: SPARK SQL

En este módulo se trasmiten los conocimientos para manipular bases (selección, filtrado, ordenamiento, agrupación y sumarizado) con el lenjuaje SQL dentro de spark y con las funciones que pyspark incorpora para estas tareas, además de generar cruce de tablas y agrupaciones especiales conocidas como funciones de ventana.

• Definición y Creación de Dataframes en PySpark
• Tipos de Datos
• Datos Especiales
• Manejo de Fechas y Horas en PySpark
• Transformación de Tipos de Datos
• Generando Consultas SQL con PySpark
• Funciones con Dataframes
• Windows Functions
• Join’s con Dataframes
• Variables Broadcast
• PRÁCTICA: Data Engine de una Base de Datos

MÓDULO III: MACHINE LEARNING CON PYSPARK

En este módulo se explotará el potencial de Spark para crear algunos de los principales modelos analíticos y predictivos de Machine Learning.

• Preparación de las Bases
• Modelos de Machine Learning con PySpark
• Regresión Lineal
• Regresión Logística
• Clustering K-means
• Arboles Aleatorios
• Sistemas de Recomendación
• PRÁCTICA: Se Genera un Entrenamiento Ejemplo con Cada Modelo

Andrés Octavio

Actuario, científico de datos en BBVA: forma parte de un grupo de Científicos de Datos en el área de ingeniería con tareas de desarrollar modelos predictivos para las diferentes Subdirecciones. Trabaja y explota la volumetría de las bases con Spark y modelos en Pyspark, Python y R (Árboles y Bosques de decisión, regresión logística, Perceptrón Multicapa, Cluster y Análisis de componentes principales, entre otros). Cuenta con amplia experiencia docente, dirigiendo cursos exitosamente en RHCECAM División Capacitación.