Fundamentos de Big Data con Python y PySpark

PySpark proporciona el vínculo crucial entre las herramientas de ciencia de datos Python familiares y el poder de la computación distribuida, permitiendo a los desarrolladores de Python crear aplicaciones de ciencias de datos que sean fáciles de usar y de usar. Al final de este curso, será competente en la configuración de un entorno de procesamiento de datos, manipulando grandes conjuntos de datos utilizando las bibliotecas de análisis de datos de Python y aplicando PySpark para realizar transformaciones escalables, análisis y tareas básicas de aprendizaje automático en clústeres distribuidos. Lo que aprenderás: * Comprender los conceptos fundamentales de la computación distribuida y la arquitectura de Apache Spark. * Dominar las estructuras de datos de Python y utilizar la biblioteca pandas para una manipulación eficiente de datos locales. * Aplicar PySpark DataFrames y Spark SQL para leer, limpiar y transformar conjuntos de datos estructurados masivos. * Configurar entornos virtuales básicos y administrar dependencias para proyectos escalables de ciencia de datos. * Practicar transformaciones de datos comunes, agregaciones, uniones y técnicas de optimización de consultas en PySpark. * Aprenda a realizar la ingestión de datos de transmisión básica y a aplicar modelos de aprendizaje automático usando MLlib. El curso comienza con una base sólida en el manejo de datos de Python y la configuración del entorno antes de introducir los conceptos básicos de procesamiento distribuido.Luego pasamos a la aplicación práctica utilizando PySpark DataFrames, centrándonos en la manipulación y el análisis de datos escalables, que culmina en introducciones a las herramientas de transmisión y aprendizaje automático. Este curso está diseñado para principiantes absolutos interesados en ingeniería de datos, ciencia de datos o análisis de datos que necesitan trabajar con grandes conjuntos de datos.No se requiere experiencia previa con Spark o sistemas distribuidos. Comience a desarrollar su experiencia en procesamiento de datos escalable hoy mismo.