Análisis Escalable de Series Temporales con Spark

La gestión de volúmenes masivos de datos con marca de tiempo requiere herramientas que escalen más allá de una sola máquina. Spark proporciona la potencia de procesamiento paralelo necesaria para analizar, limpiar y modelar eficientemente conjuntos de datos temporales de alta velocidad. Este curso basado en texto te guía desde los conceptos fundamentales de los datos de series temporales hasta la construcción de pipelines de pronóstico distribuidos. Adquirirás las habilidades para manipular marcas de tiempo, manejar valores temporales faltantes y aplicar modelos de aprendizaje automático a datos a gran escala utilizando Spark SQL y PySpark. Lo que aprenderás: * Comprender las características principales de los datos de series temporales, incluyendo tendencia, estacionalidad y ruido; * Manipular datos temporales utilizando Spark SQL y operaciones modernas de PySpark DataFrame; * Manejar desafíos comunes de limpieza de datos como intervalos faltantes, remuestreo y alineaciones de zonas horarias a escala; * Aplicar funciones de ventana para calcular promedios móviles, sumas acumuladas e indicadores rezagados en particiones distribuidas; * Construir modelos de pronóstico escalables utilizando Spark MLlib e integrar patrones de bibliotecas modernas; * Configurar trabajos de Spark para un rendimiento óptimo al procesar conjuntos de datos históricos a gran escala almacenados en formatos modernos como Delta Lake. El curso comienza con definiciones fundamentales de conceptos de series temporales antes de pasar a patrones estructurados de código PySpark. Progresarás desde consultas básicas hasta operaciones de ventana avanzadas y flujos de trabajo de aprendizaje automático distribuidos. Este programa está diseñado para analistas de datos, desarrolladores y aspirantes a científicos de datos que son nuevos en la computación distribuida y desean aprender técnicas escalables de series temporales sin requisitos complejos. Comienza a leer para dominar el procesamiento escalable de datos temporales hoy mismo.