PySpark y Aprendizaje Automático

PySpark & Aprendizaje Automático 

Módulo 1: Fundamentos de Big Data y Spark

• Descripción general del ecosistema de Big Data y el papel de Spark en las plataformas de datos modernas.
• Comprensión de la arquitectura de Spark: conductor (driver), ejecutores, gestor de clústeres, evaluación perezosa, 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 columna, filtrado, unions (joins) 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 particionamiento, comportamiento del shuffling (repartición), almacenamiento en caché y persistencia.
• Uso de técnicas de optimización, incluyendo unions broadcast (difundidas) y análisis de planes 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 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 desequilibrados.

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 gran 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 ML de Cabecera a Cola

• Construcción de pipelines completos de aprendizaje automático que combinan preprocesamiento, ingeniería de características y modelado.
• Aplicación de estrategias de división en entrenamiento/validación/prueba.
• Realización de validación cruzada y ajuste de hiperparámetros utilizando búsqueda en cuadrícula 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 (overfitting) y subajuste (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 de Producción y Empresariales

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

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.