Se trabajará sobre los temas que debe conocer el alumno antes de comenzar a explorar los temas centrales de la Certificación. Incluye introducción al lenguaje Python, sistema operativo Linux y bases de datos. La segunda parte del módulo, Cloud Architecture, enseña a los participantes los temas de arquitectura de soluciones que pueden enfrentarse en la ejecución de proyectos en empresas o de forma particular. Se verán los temas que son necesarios para rendir el examen de AWS Solutions Architect – Associate, incluyendo framework general, Compute, Storage, Networking, Databases, etc.

Introducción a la programación con Python
Introducción a Sistemas Operativos
Introducción a base de datos
Introducción a Infraestructura y Nube
Modelos de Adopción de tecnologías de Nube
Cómputo y Almacenamiento
Bases de datos
Redes
Cloud Economics & Support
Security
Containers
Scaling, Monitoring & Well Architected Framework
Arquitecturas desacopladas (Queues (SQS), Notificaciones (SNS), Workflows (SWF), Batch, Cachés (Memcached, Redis))
Arquitecturas Resilientes (ENI, EFA, Route53) / (observabilidad, API Gateways, Lambda)
Arquitecturas basadas en evento (Streams (Kinesis, Kafka))

En este módulo los participantes aprenderán y utilizarán Python para el desarrollo de aplicaciones de datos. Comienza con un foco en técnicas modernas de software engineering y data engineering. Luego, se formarán en conceptos y herramientas de Machine Learning para poder desarrollar modelos y estar preparados para desarrollar en el siguiente curso los data pipelines y sistemas de Machine Learning.

Introducción al desarrollo de aplicaciones de datos con Python

1. Desarrollo de aplicaciones: manejo de Visual Studio Code, manejo de dependencias, versionado de código, debugging, armado de paquetes.
2. Testing
3. Introducción a las librerías de datos Numpy y Pandas.
4. Interacción con APIs y Bases de Datos.
5. Scheduling básico de procesos con Apache Airflow y Docker.
6. Intro a Apache Spark para implementación de pipelines.

Machine Learning Aplicado con Python

1. Introducción a la librería Scikit-Learn.
2. Ejemplos de clasificación y regresión en conjunto con visualización con Matplotlib y Seaborn y utilizando pipelines de scikit.
3. Participación en competencias de Kaggle.
4. Forecasting de series de tiempo.

En este módulo se verán conceptos y herramientas que son necesarias para el consumo, procesamiento y ordenamiento para lograr data warehouses y data lakes. Luego se continúa con la preparación de los datos y el posterior desarrollo de sistemas basados en Machine Learning utilizando los datos del pipeline anteriormente construido.

Cloud ML Engineering

1. Arquitecturas modernas de datos sobre Amazon Web Services (batch y streaming).
2. Pipeline de Data Engineering y Data Science sobre AWS.
3. Desarrollo de un sistema de ML: training, cross validation, hyperparameter tuning, etc.

Proyecto Final

Los alumnos deberán desarrollar un proyecto que involucre construir una infraestructura sobre AWS y combinar los conocimientos adquiridos en los 3 cursos principales del programa.