Ruta práctica en español · independiente de Databricks
Primera sesión: lee una lección breve, entiende el modelo lakehouse y decide después si quieres guardar tu progreso.
Puedes leer antes de crear una sesión. Fuentes, revisión editorial y metodología siguen disponibles cuando necesites comprobar el rigor.
Ruta recomendada
Empieza desde cero. No necesitas comparar todas las rutas para leer la primera lección.
Construir el modelo mental de plataforma, compute, notebooks, Spark, Delta, medallion y Jobs.
Construir el modelo mental de plataforma, compute, notebooks, Spark, Delta, medallion y Jobs.
Cubrir plataforma, Delta Lake, ingesta, transformación, Jobs, Unity Catalog y CI/CD esencial.
Conectar streaming, CDC, orquestación, rendimiento, FinOps, seguridad, CI/CD y gobierno.
Practicar Structured Streaming, watermarks, Kafka, Change Data Feed, AUTO CDC y un proyecto con SLA.
Recorrer prácticas guiadas con starter code, checks, evidencia esperada y recursos complementarios.
Cómo se estudia
Primero lees el concepto, después ves un ejemplo, respondes una pregunta de recuerdo activo y decides si continúas al laboratorio.
La separación entre almacenamiento y cómputo permite conservar una única copia gobernada de los datos y asignar motores distintos a ETL, BI o streaming. El object storage aporta durabilidad y elasticidad; el cómputo se crea, escala y termina según la carga.
DESCRIBE DETAIL main.learning.events;Separar almacenamiento, gobierno, ejecución y consumo para una plataforma de pedidos.
¿Qué componente aporta transacciones ACID sobre archivos de una tabla lakehouse?
El panel privado muestra módulos, lecciones completadas, laboratorios, repasos y mejores resultados de simulacro.
Temario estructurado
Associate y Professional aparecen como hitos dentro de un recorrido práctico: fundamentos, streaming, orquestación, rendimiento, entrega, gobierno y capstone.
Plataforma, Spark, Delta Lake, ingesta, Jobs, Unity Catalog y proyecto Associate.
Estado, watermarks, Kafka, Change Data Feed y un proyecto con SLA.
Lakeflow, calidad, reparaciones, alertas, backfills y operación reproducible.
Spark UI, Photon, layout, políticas de cómputo, fiabilidad y coste.
Proyectos Python, automatización declarativa, privacidad e interoperabilidad.
Arquitectura, operación, seguridad, FinOps y defensa técnica en un proyecto final.
Método
Conceptos, decisiones de diseño, ejemplos SQL/PySpark y recuerdo activo en cada módulo.
Prácticas guiadas con objetivo, entorno, pasos, starter code, checks y evidencia esperada.
Preguntas por módulo y simulacros internos corregidos en servidor, sin exponer claves al cliente.
Progreso estructurado, recuperación privada, exportación y eliminación cuando decides guardar.
Confianza verificable
El código se desarrolla en abierto y el contenido mantiene fuentes, versión y fecha de revisión. Los simulacros son internos y no garantizan resultados externos. Si encuentras un error, puedes reportarlo en el repositorio público.
Siguiente acción