PySpark y Aprendizaje Automático

PySpark & Aprendizaje Automático 

Módulo 1: Fundamentos de Big Data y Spark

• Visión general del ecosistema de Big Data y el rol de Spark en las plataformas modernas de datos
• Comprensión de la arquitectura de Spark: controlador, ejecutores, gestor de clústeres, evaluación diferida, DAG y planificación de ejecución
• Diferencias entre las APIs de 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 en PySpark

• Lectura y escritura de datos desde fuentes empresariales y formatos (CSV, JSON, Parquet, Delta)
• Trabajo con DataFrames en 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 controles 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 particionado, comportamiento del shuffle, caché y persistencia
• Uso de técnicas de optimización incluyendo uniones difusas (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 escala

• Realización de ingeniería de características con Spark MLlib: manejo de valores faltantes, 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 Estimador/Transformador
• Entrenamiento de modelos de regresión y clasificación a escala (Regresión Lineal, Regresión Logística, Árboles de Decisión, Bosques Aleatorios)
• Comparación de modelos e interpretación de resultados en flujos de trabajo de aprendizaje automático distribuido

Módulo 6: Pipelines de extremo a extremo para ML

• Construcción de pipelines completos de aprendizaje automático combinando preprocesamiento, ingeniería de características y modelado
• Aplicación de estrategias de división entrenamiento/validación/prueba
• Realización de validación cruzada y ajuste de hiperparámetros utilizando búsqueda por grilla y búsqueda aleatoria
• Estructuración de experimentos de aprendizaje automático reproducibles

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

• Aplicación de las métricas de evaluación adecuadas para problemas de regresión y clasificación
• Identificación de sobreajuste (overfitting) e insuficiente ajuste (underfitting) y toma de decisiones prácticas en la selección de modelos
• Interpretación de la importancia de las características y comprensión del comportamiento del modelo

Módulo 8: Prácticas en producción y empresariales

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

Resultado Práctico

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