Módulo 1: Introducción a los datos en Google Cloud Platform

• Análisis de los deafíos a los que se enfrentan los analistas de datos
• Comparación de Big Data en local y en la nube
• Aprender con ayuda de casos prácticos reales de empresas que se transformaron a través del análisis en la nube
• Conceptos básicos de los proyectos de Google Cloud Platform

Módulo 2: Descripción general de las herramientas Big Data

• Tareas y desafíos de los analistas de datos, y presentación de las herramientas de datos de Google Cloud Platform
• Demostración: Analizar 10,000 millones de registros con Google BigQuery
• Explorar 9 características fundamentales de Google BigQuery
• Comparación de las herramientas de GCP para analistas, ingenieros de datos y científicos de datos

Módulo 3: Exploración de datos con SQL

• Comparación de las técnicas comunes de exploración de datos
• Aprender a codificar SQL estándar de alta calidad
• Explorar los Datasets públicos de Google BigQuery
• Vista previa: Google Data Studio

Módulo 4: Precios de Google BigQuery

• Explicación de un trabajo de BigQuery
• Cálculo de precios de BigQuery: costos de almacenamiento, consultas y streaming
• Optimización del costo de las Queries

Módulo 5: Limpieza y transformación de datos

• Análisis de los 5 principios de integridad de Datasets
• Caracterización de la forma y la distorsión del conjunto de datos
• Limpieza y transformación de datos mediante SQL
• Limpieza y transformación de datos mediante una IU nueva: introducción a Cloud Dataprep

Módulo 6: Almacenamiento y exportación de datos

• Comparar tablas persistentes y temporales
• Guardar y exportar los resultados de una Query
• Rendimiento: Query Cache

Módulo 7: Ingesta de nuevos Datasets hacia Google BigQuery

• Consulta de fuentes de datos externas
• Cómo evitar errores de transferencia de datos
• Ingesta de nuevos datos a tablas persistentes
• Análisis de la inserción Streaming

Módulo 8: Visualización de datos

• Descripción general de los principios de visualización de datos
• Enfoques del análisis exploratorio frente al explicativo
• Demostración: Google Data Studio UI
• Conexión de Google Data Studio con Google BigQuery

Módulo 9: Unión y mezcla de Datasets

• Mezcla de tablas de datos históricos con UNION
• Introducción a los Table Wildcards para mezclas más sencillas
• Data Schemas: Vincular datos en múltiples tablas
• Explicación de JOIN mediante ejemplos y errores

Módulo 10: Funciones y cláusulas avanzadas

• Vista general de SQL Case Statements
• Introducción a las funciones analíticas de ventana
• Protección de los datos con lcifrado de campo unidireccional
• Análisis de subconsultas eficaces y diseño CTE
• Comparación de las UDF de SQL y JavaScript

Módulo 11: Diseño de esquemas y estructuras de datos anidados

• Comparación de Google BigQuery con la arquitectura de datos RDBMS tradicional
• Normalización frente a desnormalización: compensaciones de rendimiento
• Revisión del esquema: lo bueno, lo malo y lo feo
• Arrays y datos anidados en Google BigQuery

Módulo 12: Más visualización con Google Data Studio

• Creación de Case Statements y campos calculados
• Cómo evitar errores de rendimiento con consideraciones de caché
• Uso compartido de Dashboards y análisis de las consideraciones de acceso a datos

Módulo 13: Optimizacion para lograr un buen rendimiento

• Evitar errores de rendimiento de Google BigQuery
• Prevención de hotspots en tus datos
• Diagnóstico de problemas de rendimiento con el Query Explanation map

Módulo 14: Acceso a datos

• Comparación de las funciones de los Datasets de IAM y BigQuery
• Cómo evitar errores de acceso
• Revisión de miembros, roles, organizaciones, administración de cuentas y cuentas de servicio

Módulo 15: Notebooks en la nube

• Cloud Datalab
• Compute Engine y Cloud Storage
• Análisis de datos con BigQuery

Módulo16: ¿Cómo realiza el Machine Learning Google?

• Introducción al Machine Learning (ML) para analistas
• Practicar con las API de ML previamente entrenadas para comprender imágenes y textos

Módulo 17: Aplicar el Machine Learning a Datasets (BQML)

• Compilar Datasets de aprendizaje automático y analizar las características
• Crear modelos de clasificación y previsión con BQML