[{"data":1,"prerenderedAt":29},["ShallowReactive",2],{"article-data-curso-gcp-bigquery-00":3},{"content":4,"date":5,"image":6,"sideArticles":7},"\u003C!DOCTYPE html>\r\n\u003Chtml lang=\"es\">\r\n\u003Chead>\r\n    \u003Cmeta charset=\"UTF-8\">\r\n    \u003Cmeta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\r\n    \u003Ctitle>Resumen del Curso: 12 Laboratorios de BigQuery\u003C/title>\r\n    \u003Cstyle>\r\n        h1,\r\n        h2,\r\n        h3 {\r\n            color: #333;\r\n        }\r\n\r\n        ul {\r\n            list-style-type: disc;\r\n            margin-left: 20px;\r\n        }\r\n\r\n        code {\r\n            background-color: #f4f4f4;\r\n            padding: 2px 5px;\r\n            border-radius: 3px;\r\n            font-family: monospace;\r\n        }\r\n    \u003C/style>\r\n\u003C/head>\r\n\u003Cbody>\r\n\r\n    \u003Ch1>Resumen del Curso: 12 Laboratorios de BigQuery\u003C/h1>\r\n\r\n    \u003Ch2>Bloque 1: Configuración, Ingesta y Optimización de Datos\u003C/h2>\r\n\r\n    \u003Ch3>Laboratorio 1: Inicialización de Entorno y Primeras Consultas\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Autenticación de la terminal local con Google Cloud utilizando el comando de \u003Ccode>gcloud auth login\u003C/code>.\u003C/li>\r\n        \u003Cli>Definición e inicialización del proveedor de Google en Terraform mediante un archivo \u003Ccode>providers.tf\u003C/code>.\u003C/li>\r\n        \u003Cli>Creación de un recurso de tipo \u003Ccode>google_bigquery_dataset\u003C/code> de forma declarativa con Terraform.\u003C/li>\r\n        \u003Cli>Ejecución de la primera consulta SQL estándar sobre datasets públicos guardando los resultados físicamente en el nuevo dataset.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 2: Ingesta de Datos en Batch (GCS a BigQuery)\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Despliegue automatizado de un bucket de Cloud Storage con Terraform configurando reglas de ciclo de vida para controlar costes.\u003C/li>\r\n        \u003Cli>Transferencia de archivos locales CSV y NDJSON hacia Cloud Storage utilizando el comando \u003Ccode>gcloud storage cp\u003C/code>.\u003C/li>\r\n        \u003Cli>Estructuración de un esquema de datos explícito en formato JSON para garantizar la tipación correcta en el destino.\u003C/li>\r\n        \u003Cli>Ejecución de trabajos de carga física hacia tablas nativas de BigQuery utilizando la herramienta de CLI \u003Ccode>bq load\u003C/code>.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 3: Tablas Externas y Federación de Datos\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Creación de un recurso \u003Ccode>google_bigquery_table\u003C/code> configurando el bloque de definición externo en Terraform.\u003C/li>\r\n        \u003Cli>Mapeo dinámico de datos apuntando a rutas comodín de Cloud Storage con el patrón \u003Ccode>*.csv\u003C/code> sin duplicar almacenamiento.\u003C/li>\r\n        \u003Cli>Análisis de las ventajas e inconvenientes de rendimiento y coste al consultar datos directamente sobre el lago de datos.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 4: Optimización: Particionado y Clustering\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Configuración física del bloque \u003Ccode>time_partitioning\u003C/code> basado en una columna de tipo fecha (\u003Ccode>transaction_date\u003C/code>) en Terraform.\u003C/li>\r\n        \u003Cli>Definición de claves de ordenación interna dentro de cada partición mediante la directiva de \u003Ccode>clustering\u003C/code> para el campo de tiendas.\u003C/li>\r\n        \u003Cli>Demostración práctica de reducción del volumen de bytes escaneados mediante el descarte de particiones en las consultas.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Bloque 2: Análisis Avanzado, Modelado Predictivo y Seguridad\u003C/h2>\r\n\r\n    \u003Ch3>Laboratorio 5: SQL Avanzado y Funciones de Ventana (Window Functions)\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Modularización y estructuración de consultas lógicas complejas utilizando Expresiones de Tabla Comunes (CTEs) con \u003Ccode>WITH\u003C/code>.\u003C/li>\r\n        \u003Cli>Implementación de funciones analíticas de ventana como \u003Ccode>ROW_NUMBER()\u003C/code>, \u003Ccode>LAG()\u003C/code> y sumas acumulativas.\u003C/li>\r\n        \u003Cli>Creación y consumo de funciones personalizadas reutilizables mediante sentencias de \u003Ccode>CREATE TEMP FUNCTION\u003C/code> en SQL.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 6: BigQuery ML (Machine Learning)\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Entrenamiento de un modelo predictivo de regresión lineal directamente en la base de datos con la sentencia \u003Ccode>CREATE OR REPLACE MODEL\u003C/code>.\u003C/li>\r\n        \u003Cli>Evaluación de las métricas de calidad y precisión del modelo (R-cuadrado, error absoluto medio) mediante la función \u003Ccode>ML.EVALUATE\u003C/code>.\u003C/li>\r\n        \u003Cli>Inferencia de estimación de gasto en tiempo real sobre nuevos registros de usuarios utilizando la función \u003Ccode>ML.PREDICT\u003C/code>.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 7: Seguridad, Gobernanza y Control de Acceso (IAM, Filas y Columnas)\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Creación de taxonomías y etiquetas de políticas de Data Catalog para restringir columnas sensibles (CLS) como el número de seguro social.\u003C/li>\r\n        \u003Cli>Configuración de exclusiones geográficas por roles utilizando el recurso \u003Ccode>google_bigquery_row_access_policy\u003C/code> (RLS).\u003C/li>\r\n        \u003Cli>Simulación y pruebas de acceso seguro en local alternando el contexto de autenticación mediante claves JSON de cuentas de servicio.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 8: Ingesta en Tiempo Real (Streaming con Pub/Sub)\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Despliegue automatizado de un tópico y una suscripción de tipo directo de Pub/Sub a BigQuery (\u003Ccode>bigquery_config\u003C/code>) con Terraform.\u003C/li>\r\n        \u003Cli>Configuración de accesos IAM concediendo roles de editor y visor de metadatos al agente de servicio de Pub/Sub del proyecto.\u003C/li>\r\n        \u003Cli>Publicación de mensajes JSON a través de comandos de terminal y su inserción inmediata sin servidor en BigQuery en milisegundos.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Bloque 3: Integraciones, Ingeniería Analítica y CI/CD\u003C/h2>\r\n\r\n    \u003Ch3>Laboratorio 9: Consultas Federadas con Cloud SQL (PostgreSQL)\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Despliegue seguro de una instancia compartida de Cloud SQL con PostgreSQL mediante recursos de Terraform.\u003C/li>\r\n        \u003Cli>Configuración de un recurso de conexión segura \u003Ccode>google_bigquery_connection\u003C/code> para almacenar credenciales encriptadas en GCP.\u003C/li>\r\n        \u003Cli>Ejecución de un cruce híbrido en tiempo real uniendo tablas de BigQuery con PostgreSQL mediante la función \u003Ccode>EXTERNAL_QUERY\u003C/code>.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 10: Transformación de Datos con dbt (Data Build Tool)\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Aislamiento de dependencias en un entorno virtual e instalación local del adaptador oficial \u003Ccode>dbt-bigquery\u003C/code>.\u003C/li>\r\n        \u003Cli>Estructuración de un pipeline por capas dividiendo el proyecto en modelos de \u003Ccode>staging\u003C/code> (vistas) y \u003Ccode>marts\u003C/code> (tablas físicas).\u003C/li>\r\n        \u003Cli>Definición de aserciones de reglas de negocio personalizadas y validaciones de esquema dentro de la suite de pruebas de dbt.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 11: Orquestación con Python y BigQuery API\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Instanciación del cliente oficial de Python heredando de manera transparente los permisos locales del protocolo ADC.\u003C/li>\r\n        \u003Cli>Optimización de la velocidad de transferencia y conversión en memoria de resultados de consultas a DataFrames de Pandas vía \u003Ccode>pyarrow\u003C/code>.\u003C/li>\r\n        \u003Cli>Control estructurado de excepciones de la API de Google y exportación automatizada de información hacia archivos CSV planos.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Laboratorio 12: CI/CD Pipeline para BigQuery con GitHub Actions\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Centralización del archivo de estado de Terraform configurando un backend remoto en un bucket seguro de Cloud Storage.\u003C/li>\r\n        \u003Cli>Almacenamiento de claves de cuentas de servicio encriptadas dentro de la plataforma de GitHub usando secretos de repositorio (\u003Ccode>GCP_SA_KEY\u003C/code>).\u003C/li>\r\n        \u003Cli>Diseño de un flujo de trabajo que ejecuta tareas automáticas de validación semántica en Pull Requests y de despliegue en la rama \u003Ccode>main\u003C/code>.\u003C/li>\r\n    \u003C/ul>\r\n\r\n\u003C/body>\r\n\u003C/html>","July 9, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-bigquery-00.jpg",[8,14,19,24],{"id":9,"title":10,"description":11,"image":12,"date":13},"curso-gcp-ai-ops-01","Fundamentos de AIOps en Google Cloud | Curso AIOps con Vertex AI","Módulo 1: Fundamentos de AIOps en Google Cloud. Aprende la transición de ITOps a operaciones inteligentes y cómo preparar tu infraestructura base con Terraform.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-01.jpg","May 28, 2026",{"id":15,"title":16,"description":17,"image":18,"date":13},"curso-gcp-ai-ops-02","Vertex AI para AIOps: AutoML y Despliegue | Curso AIOps","Módulo 2: Gestión de modelos con Vertex AI para AIOps. Aprende a utilizar AutoML, gestionar datasets tabulares y desplegar endpoints de predicción.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-02.jpg",{"id":20,"title":21,"description":22,"image":23,"date":13},"curso-gcp-ai-ops-03","Observabilidad Inteligente en GCP | Curso AIOps","Módulo 3: Observabilidad Inteligente en GCP. Configuración de Cloud Monitoring, Cloud Logging y creación de dashboards predictivos correlacionados con BigQuery.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-03.jpg",{"id":25,"title":26,"description":27,"image":28,"date":13},"curso-gcp-ai-ops-04","Automatización Operativa y Remediación | Curso AIOps","Módulo 4: Automatización Operativa en AIOps. Aprende a crear arquitecturas dirigidas por eventos con Cloud Functions y Pub/Sub para la remediación automática.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-04.jpg",1783609807853]