From Data to Insights with Google Cloud Platform (GO6589)

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