CURSO DE INGENIERÍA DE DATOS Y MACHINE LEARNING EN AWS

Docente

Nombre del docente

Fecha de inicio

Horarios

Fecha de finalizacion

Docentes Expertos

¿Qué aprenderás en este curso?

Publico objetivo

Resultados esperados

Modulo I

INTRODUCCIÓN A AWS CLOUD

Introducción a Cloud Computing: Conceptos fundamentales, proveedores de servicios Cloud, comparación entre On-Premise y On-Cloud, principales servicios y modelos de costos.
Identity and Access Management (IAM): Overview de los roles principales, ejemplos de gestión de permisos y buenas prácticas en seguridad.

Modulo II

ETL FUNDAMENTALS

Introducción a las soluciones ETL: Definición, descripción de sus etapas y beneficios.
Servicios de AWS para ETL: Introducción a AWS Glue y AWS DataBrew, características generales y casos de uso.

Modulo III

DATA LAKES IMPLEMENTATION

Introducción a Data Lakes: Definición, arquitectura y capas (Raw, Stage, Analytics).
Amazon S3 y Seguridad en Buckets: Configuración, mejores prácticas y estrategias de almacenamiento seguro.

Modulo IV

STREAMING DATA

Conceptos de Procesamiento de Datos: Diferencias entre Batch y Streaming, casos de uso en Near-Real-Time y Real-Time.
Introducción a IoT: Definición, uso de sensores y aplicaciones en la industria.
Servicios de AWS para Streaming:
Amazon Kinesis (Data Firehose, Data Streams, Analytics): Características generales, ejemplos de implementación y casos de uso.
AWS IoT Core: Arquitectura y aplicación en escenarios industriales y comerciales.
Apache Kafka en AWS:
Introducción a Kafka: Arquitectura, componentes principales y conceptos clave (topics, producers, consumers, brokers, zookeepers).
Implementación en AWS con MSK (Managed Streaming for Apache Kafka): Características, configuración y casos de uso.
Comparación entre Kinesis y Kafka: Ventajas y desventajas de cada tecnología.

Modulo V

RELATIONAL & NOSQL DATABASES

Introducción a Bases de Datos Relacionales y NoSQL: Definición, características y casos de uso.
Servicios de AWS para Bases de Datos:
Amazon RDS (Relational Database Service): Características generales y configuraciones.
Amazon DMS (Database Migration Service): Uso para migración de datos y estrategias de replicación.
Amazon DynamoDB: Arquitectura, características y casos de uso para bases de datos NoSQL.

Modulo VI

DATA DELIVERY & DATA VISUALIZATION

Consulta y Análisis de Datos:
Amazon Athena: Características y aplicación en consulta de datos sin servidor.
Amazon Redshift: Arquitectura, características y optimización para almacenes de datos.
Visualización de Datos:
Amazon QuickSight: Características generales, integraciones y creación de dashboards interactivos.

Modulo VII

Modulo VIII

Modulo IX

Modulo X

Modulo XI

Modulo XII

Modulo I

INTRODUCCIÓN A AWS CLOUD

Introducción a Cloud Computing: Conceptos fundamentales, proveedores de servicios Cloud, comparación entre On-Premise y On-Cloud, principales servicios y modelos de costos.
Identity and Access Management (IAM): Overview de los roles principales, ejemplos de gestión de permisos y buenas prácticas en seguridad.

Modulo II

ETL FUNDAMENTALS

Introducción a las soluciones ETL: Definición, descripción de sus etapas y beneficios.
Servicios de AWS para ETL: Introducción a AWS Glue y AWS DataBrew, características generales y casos de uso.

Modulo III

DATA LAKES IMPLEMENTATION

Introducción a Data Lakes: Definición, arquitectura y capas (Raw, Stage, Analytics).
Amazon S3 y Seguridad en Buckets: Configuración, mejores prácticas y estrategias de almacenamiento seguro.

Modulo IV

STREAMING DATA

Conceptos de Procesamiento de Datos: Diferencias entre Batch y Streaming, casos de uso en Near-Real-Time y Real-Time.
Introducción a IoT: Definición, uso de sensores y aplicaciones en la industria.
Servicios de AWS para Streaming:
Amazon Kinesis (Data Firehose, Data Streams, Analytics): Características generales, ejemplos de implementación y casos de uso.
AWS IoT Core: Arquitectura y aplicación en escenarios industriales y comerciales.
Apache Kafka en AWS:
Introducción a Kafka: Arquitectura, componentes principales y conceptos clave (topics, producers, consumers, brokers, zookeepers).
Implementación en AWS con MSK (Managed Streaming for Apache Kafka): Características, configuración y casos de uso.
Comparación entre Kinesis y Kafka: Ventajas y desventajas de cada tecnología.

Modulo V

RELATIONAL & NOSQL DATABASES

Introducción a Bases de Datos Relacionales y NoSQL: Definición, características y casos de uso.
Servicios de AWS para Bases de Datos:
Amazon RDS (Relational Database Service): Características generales y configuraciones.
Amazon DMS (Database Migration Service): Uso para migración de datos y estrategias de replicación.
Amazon DynamoDB: Arquitectura, características y casos de uso para bases de datos NoSQL.

Modulo VI

DATA DELIVERY & DATA VISUALIZATION

Consulta y Análisis de Datos:
Amazon Athena: Características y aplicación en consulta de datos sin servidor.
Amazon Redshift: Arquitectura, características y optimización para almacenes de datos.
Visualización de Datos:
Amazon QuickSight: Características generales, integraciones y creación de dashboards interactivos.

"Este programa me ayudó a fortalecer mi investigación con herramientas estadísticas y de inteligencia artificial. Es práctico, completo y totalmente aplicable a tesis y proyectos académicos."

"Gracias a este programa, logré estructurar mi tesis doctoral con un enfoque metodológico sólido. Las herramientas de inteligencia artificial que aprendí me ayudaron a analizar grandes volúmenes de datos de forma eficiente."

"La combinación entre estadística aplicada e IA fue justo lo que necesitaba para llevar mis investigaciones al siguiente nivel. Recomiendo esta especialización a todo investigador serio."

"El programa no solo me dio conocimientos técnicos, también me enseñó a aplicarlos en el contexto real de mi tesis. ¡Una inversión totalmente valiosa!"

"Aprendí a utilizar metodologías científicas rigurosas junto con herramientas prácticas de IA, lo que ha mejorado significativamente la calidad de mis reportes y modelos."