Por lo general, la canalización de datos se clasifica en uno de los siguientes paradigmas: Extraer-cargar, Extraer-cargar-transformar o Extraer-transformar-cargar. En este curso, se describe cuál es el paradigma que se debe usar y en qué momento usarlo para los datos por lotes. Además, en este curso, se presentan diferentes tecnologías de Google Cloud Platform para la transformación de datos, entre las que se incluyen BigQuery, la ejecución de Spark en Cloud Dataproc, los gráficos de canalización en Cloud Data Fusion y el procesamiento de datos sin servidores mediante Cloud Dataflow. Los participantes obtendrán experiencia práctica sobre cómo compilar los componentes de la canalización de datos en Google Cloud Platform mediante QwikLabs.
Offert par
Google CloudÀ propos de ce cours
2 862 consultations récentes
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Niveau intermédiaire
Approx. 13 heures pour terminer
Espagnol
Sous-titres : Français, Portugais (européen), Russe, Anglais, Espagnol
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Niveau intermédiaire
Approx. 13 heures pour terminer
Espagnol
Sous-titres : Français, Portugais (européen), Russe, Anglais, Espagnol
Offert par
Google Cloud
We help millions of organizations empower their employees, serve their customers, and build what’s next for their businesses with innovative technology created in—and for—the cloud. Our products are engineered for security, reliability, and scalability, running the full stack from infrastructure to applications to devices and hardware. Our teams are dedicated to helping customers apply our technologies to create success.
Programme de cours : ce que vous apprendrez dans ce cours
6 minutes pour terminer
Introducción
En este módulo, se presentan el curso y el temario
6 minutes pour terminer
2 vidéos (Total 6 min)
1 heure pour terminer
Introducción a las canalizaciones de datos por lotes
En este módulo, se revisan los diferentes métodos de carga de datos (EL, ELT y ETL) y cuándo utilizarlos
1 heure pour terminer
5 vidéos (Total 18 min)
2 heures pour terminer
Cómo ejecutar Spark en Cloud Dataproc
En este módulo, se muestra cómo ejecutar Hadoop en Cloud Dataproc, cómo aprovechar GCS y cómo optimizar sus trabajos de Dataproc.
2 heures pour terminer
9 vidéos (Total 49 min)
3 heures pour terminer
Administre canalizaciones de datos con Cloud Data Fusion y Cloud Composer
En este módulo, se muestra cómo administrar canalizaciones de datos con Cloud Data Fusion y Cloud Composer.
3 heures pour terminer
11 vidéos (Total 45 min)
7 heures pour terminer
Procesamiento de datos sin servidores con Cloud Dataflow
En este módulo, se describe cómo usar Cloud Dataflow para compilar sus canalizaciones de procesamiento de datos
7 heures pour terminer
12 vidéos (Total 40 min)
4 minutes pour terminer
Resumen
En este módulo, se revisan los temas que se trataron en este curso
4 minutes pour terminer
1 vidéo (Total 4 min)
Avis
- 5 stars72,22 %
- 4 stars25 %
- 3 stars2,77 %
Meilleurs avis pour BUILDING BATCH DATA PIPELINES ON GCP EN ESPAÑOL
par C21 oct. 2021
Útil para comprender las herramientas que te da GCP para crear grandes canalizaciones de datos
par HB23 août 2021
Excelente curso, muy bien explicado, las parcticas son muy utiles
par JB29 juin 2020
excelente material, buena explicación de conceptos claves para la creación de pipelines, y porque elegir dataflow en vez de datafusion
Foire Aux Questions
Puis-je prévisualiser un cours avant de m'inscrire ?
À quoi ai-je droit si je m'inscris ?
Quand recevrai-je mon Certificat de Cours ?
Pourquoi ne puis-je pas assister à ce cours en auditeur libre ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.
