- Traduce problemas de negocio en un plan arquitectónico de producto de datos enfocandose en primer lugar en la alineación del problema de negocio a resolver con la misión y en segundo lugar la solución tecnológica-
- Diseña planes arquitectonicos de datos a partir de servicios e infrastructuras modernas de datos.
- Utiliza servicios de datos en la nube relacionados a almacenaje, procesamiento de grandes volúmenes de datos y modelado de aprendizaje de máquina
- Traduce planes arquitectónicos en un diseño de grafo acíclico dirigido para ser ejecutado por un orqueestador
- Implementa producto de datos funcioanales en la nube para aplicaciones de analiítica descriptiva y predictiva.
- El alumno conoce el etos de una organización/startup.
- El alumno aproxima el diseño de producto de datos con base en la mision y problema de negocio.
- El alumno conoce el rol de un producto de datos en una organización.
- El alumno es un pensador crítico qué es capaz de evaluar el triage del problema y el impacto de una solución de producto de datos.
- El alumno conoce el proceso de diseñar un producto de datos y evaluar el trade-off de implementación-deuda técnica de una organización
- El alumno es capaz de plantear el alcance, amplitud y extensión de un producto de datos.
- El alumno conoce los riesgos e implicaciones del impacto de un producto exitoso/fallido.
- El alumno conoce las distintas plataformas de servicios de infrastructura de datos en la nube.
- El alumno es capaz de interactuar con los servicios básicos de almacenaje y procesamiento en la nube.
- El alumno explica y demuestra el entendimiento de abstracciones de infrastructura de datos como "serverless", "Managed SaaS"
- El alumno es conoce los retos para estructurar un proyecto en la nube tanto tecnicos como no tecnicos.
- El alumno conoce el uso de máquinas virtuales en la nube para ciencia de datos
- El alumno es capaz de crear máquinas virtuales con aceleradores para trabajos de modelado de aprendizaje de máquina en la nube.
- El alumno es capaz de comunicarse vía remota a una máquina virtual y ejecutar scripts de modelados de aprendizaje de máquina autoescalables.
- El alumno tiene un conocimiento general del uso de las APIs dentro del ecosistema de ciencia de datos.
- El alumno es capaz de investigar y conocer el uso general de una API.
- El alumno es capaz de establecer una comunicación constante en la nuba para la recolección de datos a través de una API.
- El alumno es capaz de ingestar datos y cargar datos en la nube
- El alumno es capaz de crear cubetas de almacenaje en la nube.
- El alumno entiende las políticas de permisos para compartir datos en la nube.
- El alumno es capaz de cargar distintos tipos de archivos.
- El alumno conoce las alternativas de almacenamiento.
- El alumno puede dicernir entre la aplicación de un ETL y un ELT.
- El alumno reconoce las distintas aplicaciones de extracción, transformación y carga para distintos problemas de negocio.
- El alumno conoce las tecnologías disponibles para hacer una ingesta de grandes volumnes de datos.
- El alumno es capaz de diseñar un sistema que involucra la extracción, transformación y carga con servicios de infrastructura de nube.
- El alumno tiene un conocimiento general de los distintas tecnologias y aproximaciones de orquestación para el tratamiento de datos
- El alumno es capaz de poner en marcha Airflow como orquestador auto-manejado en la nube
- El alumno diseña archivos de grafos acíclicos dirigidos a través de operadores.
- El alumno ejecuta archivos de grafos acícicos dirigidos para el tratamiento de datos
- El alumno conoce distintos motores de procesamiento de datos utilizados para grandes volumnes de datos
- El almuno es capaz de ejecutar procesos de transformaciones para grandes volumnes de datos.
- El alumno conoce el uso de caso de un Almacén de Datos
- El alumno conoce las capacidades generales de un almacén de datos moderno
- El alumno es capaz de ejecutar queries de lectura y de transformación en bases de datos relacionales
- El alumno es capaz de ejecutar queries de modelado utilizando BigQuery ML
- El alumno conoce el uso de caso de inteligencia de negocio basado en analítica descriptiva
- El alumno es capaz de poner en marcha una instancia de Looker conectada a un almacén de datos
- El alumno desarrolla vistas, exploradores y dashboards utilizando Looker
- El alumno conoce el paradigma de MLOps y las nuevas herramientas de lineaje de modelos
- El alumno es capaz de aplicar conoceptos de registro de modelo, almacenaje de features
- El alumno conoce las vías de producción-prediccion
- El alumno es capaz de generar predicciones en tiempo real.
- El alumno es capaz de poner en marcha un API de consumo en la nube.
- El alumno es capaz de poner hacer unit testing para comprobar el funcionamiento de un modelo de aprendizaje de máquina.
- El alumno es capaz de tener información en tiempo real del funcionamiento del modelo en producción.
- El alumno es capaz de identificar "model drifts" con base en el monitoreo de los sistemas en producción.