Curso de Spark con Python
Aprende con el curso de Spark con Python para empresas hasta 100% Bonificado, a medida para tu organización.
¿Por qué elegir el curso de Spark con Python con Imagina Formación?
Totalmente Práctico y Aplicable
Formación en Spark con Python a Medida para tu empresa
100% Bonificable a través de FUNDAE
Curso TUTORIZADO por Expertos en Spark con Python
Formación estratégica para empresas
FUNDAE
Curso hasta 100% Bonificable a través de FUNDAE
Forma a tu equipo sin coste para tu empresa. Este curso de Spark con Python es hasta 100% bonificable a través de FUNDAE.
- Potencia las competencias clave de tus profesionales.
- Accede a una formación práctica, actualizada y orientada a resultados.
- Prepara a tu equipo para los retos del entorno laboral actual.
- Nos ocupamos de la gestión con FUNDAE si tu empresa lo necesita.
A medida
Formación en Spark con Python a medida
Descubre el mejor curso de Spark con Python para empresas a través de nuestra modalidad Aula Virtual Personalizada:
- Sesiones en vivo a través de videoconferencia.
- Temario totalmente personalizado.
- Fechas y horarios adaptados a tu empresa.
- Acceso a las grabaciones.
- 10 horas de acceso a ejercicios autocorregibles.
- Proyectos diseñados a medida para tu equipo.
Aprende practicando
Totalmente Práctico y Aplicable
Formación diseñada para que apliques cada concepto en situaciones reales de tu trabajo, con un enfoque práctico y útil desde el primer momento.
- Aprendizaje 100% práctico, enfocado en lo que realmente necesitas.
- Casos reales y ejercicios adaptados a tu entorno profesional.
- Aplica cada conocimiento directamente en tus tareas diarias.
- Mejora tu rendimiento y el de tu equipo desde el primer día.
Cobertura Total de Spark en Python
Curso de Spark con Python hasta 100% Bonificado para Empresas a través de FUNDAE. Formación online, tutorizada y a medida para tu organización.
¿Te imaginas tener un Temario 100% Personalizado para tu Empresa?
ME INTERESA
Nueva Plataforma de
E-learning
Aprendizaje constanteContenidos 24/7 actualizados. Aprende a tu ritmo, sin horarios fijos ni fechas de caducidad.
Optimizada para FUNDAECumple normativa oficial. Registro automático de conexiones y diplomas válidos para bonificación.
Archivo de sesionesAcceso a todas las grabaciones. Repasa conceptos clave o recupera clases cuando lo necesites.
Ejercicios autocorregiblesRetos con validación instantánea. Recibe feedback automático de tu ejercicio y mejora al momento.
Practica y mejora con nuestra plataforma
Una plataforma práctica, con IA integrada y pensada para que mejores desarrollando. Se adapta a tu ritmo, te corrige al instante y te muestra tu progreso real.
Corrección mágica
Feedback inteligente
Aprende de cada acierto y fallo con explicaciones claras
Temario del curso
Encuentra todo el temario del curso aquí.
Qué es Big Data
Limitaciones del procesamiento tradicional
Procesamiento distribuido
Clústeres y nodos
Modelo MapReduce
Evolución hacia Spark
Concepto de paralelismo
Arquitectura maestro-esclavo
Almacenamiento distribuido
Ecosistema Hadoop
Fundamentos de Big Data y Computación Distribuida
Qué es Big Data
Limitaciones del procesamiento tradicional
Procesamiento distribuido
Clústeres y nodos
Modelo MapReduce
Evolución hacia Spark
Concepto de paralelismo
Arquitectura maestro-esclavo
Almacenamiento distribuido
Ecosistema Hadoop
Aulas Virtuales Personalizadas
¿Te imaginas tener un Temario 100% Personalizado para tu Empresa?
ME INTERESAPensado para quienes deben dominar Spark con Python en su día a día
Ingenieros de Datos
Profesionales que diseñan y mantienen pipelines de datos masivos y requieren dominio completo de Spark con Python.
Científicos de Datos
Perfiles que trabajan con análisis avanzado y modelos distribuidos en grandes volúmenes de datos.
Arquitectos Big Data
Profesionales que diseñan soluciones distribuidas y necesitan comprender arquitectura y optimización interna de Spark.
Equipos de Analítica Avanzada
Departamentos que gestionan grandes datasets y requieren procesamiento distribuido eficiente.
Proveedor con 16 años de experiencia en formación empresarial
Sobre
Resolvemos todas tus dudas sobre nuestra formación en Spark con Python
Resolvemos todas tus dudas sobre nuestra formación
Explora las respuestas a las preguntas que guían a nuestra comunidad. Aquí encontrarás claridad sobre cómo funciona todo, desde el acceso hasta los detalles de los cursos. Si buscas respuestas, este es el lugar para comenzar.
¿Incluye todos los módulos principales de Spark?
Sí, cubre Spark Core, Spark SQL, DataFrames, MLlib, Structured Streaming y procesamiento de grafos accesibles desde Python.
¿Es bonificable por FUNDAE?
Sí, es bonificable HASTA el 100% a través de FUNDAE, permitiendo a la empresa financiar la formación con su crédito formativo.
¿Se necesitan conocimientos previos de Scala?
No, el curso está diseñado exclusivamente para trabajar con PySpark sin necesidad de utilizar Scala.
¿Incluye despliegue en clúster?
Sí, se cubre ejecución local y despliegue en entornos distribuidos como YARN o Kubernetes.
¿Se trabajan casos reales empresariales?
Sí, el proyecto final integra procesamiento masivo, ML y streaming en un caso completo de extremo a extremo.
¿Tienes dudas?Estamos aquí para ayudarte
Para que aprendas a diario con nosotros
Da el salto y aprende con nuestros cursos
Cursos similares al curso de Spark con Python
![imgCurso](data:image/svg+xml;utf8, <svg width="920" height="920" viewBox="0 0 920 920" fill="none" xmlns="http://www.w3.org/2000/svg">
<path d="M320.795 429C221.175 429 227.397 472.254 227.397 472.254L227.508 517.063H322.572V530.514H189.749C189.749 530.514 126 523.281 126 623.915C126 724.548 181.639 720.984 181.639 720.984H214.848V674.284C214.848 674.284 213.053 618.554 269.595 618.554H363.885C363.885 618.554 416.856 619.411 416.856 567.298V481.166C416.856 481.166 424.901 429 320.795 429ZM268.376 459.131C272.907 459.128 277.253 460.927 280.46 464.132C283.667 467.337 285.471 471.686 285.475 476.223C285.479 478.47 285.041 480.696 284.185 482.774C283.329 484.852 282.072 486.74 280.487 488.331C278.901 489.922 277.018 491.185 274.945 492.047C272.872 492.909 270.65 493.354 268.405 493.355H268.376C263.845 493.364 259.495 491.572 256.284 488.371C253.073 485.17 251.263 480.824 251.252 476.287V476.258C251.25 474.011 251.69 471.786 252.546 469.709C253.403 467.633 254.66 465.745 256.245 464.155C257.83 462.565 259.712 461.302 261.785 460.44C263.857 459.579 266.079 459.134 268.323 459.131H268.376Z" fill="url(%23paint0_linear)"/>
<path d="M324.205 820C423.825 820 417.609 776.747 417.609 776.747L417.497 731.939H322.428V718.488H455.251C455.251 718.488 519 725.727 519 625.084C519 524.44 463.361 528.016 463.361 528.016H430.152V574.715C430.152 574.715 431.947 630.42 375.405 630.42H281.115C281.115 630.42 228.144 629.563 228.144 681.681V767.841C228.144 767.841 220.099 819.988 324.205 819.988V820ZM376.624 789.869C374.381 789.872 372.158 789.431 370.085 788.574C368.011 787.716 366.126 786.457 364.538 784.87C362.95 783.283 361.69 781.398 360.83 779.324C359.97 777.249 359.526 775.025 359.525 772.778V772.778C359.522 770.532 359.962 768.306 360.819 766.23C361.675 764.153 362.932 762.266 364.517 760.676C366.102 759.085 367.985 757.823 370.057 756.961C372.129 756.099 374.351 755.654 376.595 755.652V755.652C378.84 755.644 381.065 756.08 383.142 756.933C385.22 757.786 387.109 759.041 388.702 760.625C390.294 762.21 391.56 764.093 392.426 766.167C393.292 768.241 393.741 770.466 393.748 772.714V772.743C393.751 777.281 391.954 781.635 388.751 784.846C385.549 788.058 381.204 789.865 376.671 789.869H376.624Z" fill="url(%23paint1_linear)"/>
<path d="M517.545 434.125C516.649 432.292 516.277 431.369 515.808 430.446C503.222 406.549 490.69 382.693 477.993 358.782C477.36 357.896 477.075 356.809 477.192 355.726C477.308 354.644 477.819 353.642 478.627 352.911C498.608 329.593 518.533 306.197 538.404 282.723C539.218 281.846 539.768 280.757 539.989 279.581L522.522 284.142C498.341 290.574 474.202 297.005 450.104 303.436C447.843 304.015 446.85 303.436 445.692 301.493C431.961 278.588 418.207 255.716 404.431 232.876C403.716 231.532 402.69 230.38 401.439 229.513C400.336 235.604 399.178 241.737 398.13 247.815L386.647 312.449C386.233 314.751 385.654 317.121 385.447 319.423C385.24 321.724 384.069 322.468 382.083 323.089C353.592 332 325.152 340.981 296.761 350.031C295.352 350.446 294.05 351.161 292.943 352.126C316.227 361.359 339.457 370.634 363.1 380.019C362.448 380.595 361.767 381.138 361.06 381.646C346.529 391.026 331.985 400.443 317.427 409.898C316.716 410.462 315.853 410.804 314.948 410.88C314.043 410.956 313.135 410.763 312.34 410.325C294.983 402.511 277.516 394.862 260.118 387.048C252.276 383.791 245.317 378.724 239.811 372.261C227.404 357.101 229.913 339.916 246.373 329.428C251.89 326.032 257.808 323.338 263.992 321.407C291.895 312.339 319.839 303.588 347.797 294.782C348.824 294.586 349.759 294.06 350.459 293.284C351.158 292.507 351.584 291.523 351.671 290.482C355.394 268.941 359.281 247.387 363.155 225.847C365.251 214.312 366.353 202.515 371.964 191.986C374.088 187.87 376.714 184.032 379.781 180.561C390.893 168.241 406.361 167.758 418.106 179.514C422.064 183.565 425.534 188.066 428.446 192.923C441.391 213.995 454.088 235.232 466.771 256.469C468.246 258.977 469.611 259.501 472.382 258.716C503.631 250.373 534.833 242.104 565.99 233.909C572.35 232.106 579.029 231.73 585.552 232.807C599.917 235.48 606.231 246.436 601.392 260.369C599.024 266.544 595.517 272.22 591.053 277.1C569.298 302.733 547.502 328.33 525.665 353.89C524.856 354.634 524.35 355.649 524.243 356.742C524.137 357.836 524.437 358.93 525.086 359.816C538.142 384.402 551.045 408.988 564.004 433.629C567.092 439.5 569.45 445.633 569.519 452.399C569.552 459.779 566.891 466.916 562.036 472.475C557.181 478.034 550.465 481.632 543.146 482.594C534.599 483.848 526.603 482.016 518.593 479.549C499.044 473.522 479.468 467.55 459.864 461.633C459.092 461.519 458.384 461.136 457.867 460.551C457.349 459.965 457.056 459.216 457.038 458.436C454.777 444.654 452.31 430.873 449.952 417.091C449.948 416.547 449.985 416.004 450.063 415.465C472.341 421.653 494.481 427.744 517.504 434.139" fill="%23E15C22"/>
<path fill-rule="evenodd" clip-rule="evenodd" d="M696.1 167.2V114H739.8V167.2L793 167.2V210.9H739.8V266H696.1V210.9L641 211.139V167.2H696.1Z" fill="%232C2656"/>
<defs>
<linearGradient id="paint0_linear" x1="165.249" y1="467.673" x2="361.119" y2="662.871" gradientUnits="userSpaceOnUse">
<stop stop-color="%23387EB9"/>
<stop offset="1" stop-color="%23366994"/>
</linearGradient>
<linearGradient id="paint1_linear" x1="283.798" y1="596.292" x2="490.508" y2="791.454" gradientUnits="userSpaceOnUse">
<stop stop-color="%23FFDF44"/>
<stop offset="1" stop-color="%23FFC219"/>
</linearGradient>
</defs>
</svg>)
Spark con Python Avanzado
Aumente su conocimiento en Apache Spark con conceptos avanzados.
![imgCurso](data:image/svg+xml;utf8, <svg width="920" height="920" viewBox="0 0 920 920" fill="none" xmlns="http://www.w3.org/2000/svg">
<path fill-rule="evenodd" clip-rule="evenodd" d="M714 162V106H760V162L816 162V208H760V266H714V208L656 208.252V162H714Z" fill="%232C2656"/>
<path d="M417.279 186C257.065 186 267.071 255.473 267.071 255.473L267.251 327.444H420.137V349.049H206.524C206.524 349.049 104 337.431 104 499.065C104 660.699 193.481 654.975 193.481 654.975H246.889V579.967C246.889 579.967 244.003 490.455 334.937 490.455H486.578C486.578 490.455 571.768 491.832 571.768 408.129V269.788C571.768 269.788 584.707 186 417.279 186ZM332.975 234.396C340.262 234.391 347.253 237.28 352.41 242.428C357.567 247.576 360.468 254.561 360.476 261.847C360.482 265.457 359.777 269.033 358.4 272.37C357.023 275.707 355.003 278.74 352.453 281.296C349.903 283.851 346.875 285.879 343.541 287.264C340.207 288.648 336.632 289.362 333.022 289.365H332.975C325.688 289.38 318.693 286.5 313.529 281.36C308.365 276.219 305.454 269.238 305.437 261.951V261.904C305.433 258.295 306.14 254.721 307.518 251.386C308.895 248.05 310.917 245.019 313.466 242.465C316.015 239.91 319.043 237.883 322.376 236.499C325.708 235.114 329.281 234.4 332.89 234.396H332.975Z" fill="url(%23paint0_linear)"/>
<path d="M422.721 815C582.935 815 572.938 745.381 572.938 745.381L572.759 673.257H419.863V651.607H633.476C633.476 651.607 736 663.259 736 501.265C736 339.27 646.519 345.025 646.519 345.025H593.111V420.192C593.111 420.192 595.997 509.855 505.063 509.855H353.422C353.422 509.855 268.232 508.475 268.232 592.364V731.045C268.232 731.045 255.293 814.981 422.721 814.981V815ZM507.025 766.502C503.416 766.506 499.842 765.797 496.507 764.416C493.172 763.036 490.141 761.01 487.587 758.456C485.033 755.901 483.007 752.867 481.623 749.528C480.24 746.188 479.526 742.608 479.524 738.992C479.52 735.376 480.227 731.795 481.605 728.452C482.983 725.11 485.004 722.072 487.553 719.512C490.103 716.952 493.13 714.921 496.463 713.533C499.796 712.146 503.369 711.43 506.978 711.426C510.589 711.414 514.167 712.115 517.507 713.488C520.848 714.861 523.886 716.881 526.448 719.431C529.01 721.981 531.045 725.012 532.437 728.351C533.83 731.689 534.552 735.27 534.563 738.888V738.936C534.568 746.24 531.678 753.247 526.528 758.417C521.378 763.586 514.39 766.494 507.1 766.502H507.025Z" fill="url(%23paint1_linear)"/>
<defs>
<linearGradient id="paint0_linear" x1="167.122" y1="248.115" x2="481.723" y2="562.042" gradientUnits="userSpaceOnUse">
<stop stop-color="%23387EB9"/>
<stop offset="1" stop-color="%23366994"/>
</linearGradient>
<linearGradient id="paint1_linear" x1="357.737" y1="454.923" x2="690.439" y2="768.776" gradientUnits="userSpaceOnUse">
<stop stop-color="%23FFDF44"/>
<stop offset="1" stop-color="%23FFC219"/>
</linearGradient>
</defs>
</svg>)
Python Avanzado
Profundiza en el desarollo con Python y aprovecha al máximo el potencial de este lenguaje para crear soluciones profesionales, modernas y complejas
![imgCurso](data:image/svg+xml;utf8, <svg width="920" height="920" viewBox="0 0 920 920" fill="none" xmlns="http://www.w3.org/2000/svg">
<path d="M690.345 266C597.092 266 602.916 306.351 602.916 306.351L603.021 348.153H692.009V360.701H567.675C567.675 360.701 508 353.953 508 447.832C508 541.712 560.083 538.387 560.083 538.387H591.169V494.821C591.169 494.821 589.489 442.832 642.418 442.832H730.681C730.681 442.832 780.267 443.631 780.267 395.016V314.665C780.267 314.665 787.798 266 690.345 266ZM641.276 294.109C645.517 294.106 649.586 295.784 652.588 298.774C655.59 301.764 657.279 305.821 657.283 310.053C657.287 312.15 656.876 314.227 656.075 316.165C655.273 318.103 654.097 319.865 652.613 321.349C651.129 322.833 649.366 324.011 647.426 324.815C645.485 325.62 643.405 326.034 641.303 326.036H641.276C637.035 326.044 632.963 324.372 629.957 321.386C626.952 318.4 625.257 314.345 625.247 310.113V310.086C625.245 307.99 625.657 305.914 626.458 303.977C627.26 302.04 628.437 300.279 629.921 298.795C631.404 297.312 633.167 296.134 635.106 295.33C637.046 294.526 639.126 294.111 641.227 294.109H641.276Z" fill="url(%23paint0_linear_2379_17302)"/>
<path d="M693.055 631C786 631 780.201 590.517 780.201 590.517L780.097 548.578H691.397V535.988H815.321C815.321 535.988 874.798 542.764 874.798 448.566C874.798 354.367 822.887 357.714 822.887 357.714H791.904V401.423C791.904 401.423 793.578 453.561 740.824 453.561H652.852C652.852 453.561 603.43 452.758 603.43 501.539V582.181C603.43 582.181 595.924 630.989 693.055 630.989V631ZM741.962 602.799C739.869 602.801 737.795 602.389 735.861 601.586C733.926 600.783 732.167 599.605 730.686 598.12C729.204 596.634 728.029 594.87 727.226 592.928C726.423 590.986 726.009 588.905 726.008 586.802V586.802C726.006 584.699 726.416 582.617 727.215 580.673C728.015 578.729 729.187 576.963 730.666 575.474C732.145 573.986 733.901 572.805 735.835 571.998C737.768 571.191 739.841 570.775 741.935 570.773V570.773C744.03 570.765 746.105 571.173 748.044 571.971C749.982 572.77 751.744 573.944 753.23 575.427C754.716 576.91 755.897 578.673 756.705 580.614C757.513 582.555 757.932 584.638 757.938 586.742V586.769C757.941 591.016 756.264 595.091 753.277 598.097C750.289 601.103 746.235 602.794 742.006 602.799H741.962Z" fill="url(%23paint1_linear_2379_17302)"/>
<path fill-rule="evenodd" clip-rule="evenodd" d="M421.747 519.462C422.053 520.129 422.42 520.931 422.95 522.016L422.903 522.031C409.86 518.405 397.068 514.866 384.382 511.356C371.9 507.902 359.519 504.476 347.1 501.023C347.013 501.629 346.971 502.241 346.976 502.853C347.898 508.245 348.834 513.638 349.771 519.031C351.527 529.142 353.283 539.254 354.941 549.365C354.96 550.243 355.29 551.086 355.872 551.745C356.453 552.403 357.248 552.834 358.117 552.962C380.152 559.618 402.155 566.337 424.128 573.117C433.13 575.892 442.118 577.955 451.725 576.544C459.951 575.461 467.5 571.413 472.957 565.16C478.414 558.906 481.404 550.876 481.367 542.574C481.29 534.962 478.64 528.062 475.169 521.458C473.026 517.379 470.885 513.303 468.744 509.227C456.332 485.598 443.941 462.008 431.426 438.418C430.696 437.421 430.358 436.19 430.479 434.96C430.599 433.73 431.168 432.588 432.077 431.751C456.621 402.996 481.12 374.2 505.571 345.362C510.589 339.872 514.531 333.487 517.193 326.541C522.632 310.866 515.535 298.54 499.389 295.532C492.057 294.321 484.549 294.744 477.401 296.773C442.381 305.992 407.31 315.295 372.187 324.68C369.072 325.564 367.538 324.975 365.88 322.153C351.625 298.261 337.353 274.369 322.803 250.664C319.53 245.199 315.63 240.136 311.182 235.578C297.98 222.353 280.594 222.896 268.104 236.757C264.657 240.661 261.706 244.979 259.318 249.609C254.147 259.322 252.383 269.993 250.617 280.675C250.229 283.02 249.841 285.366 249.417 287.703L248.569 292.423C244.496 315.084 240.421 337.757 236.509 360.417C236.411 361.589 235.933 362.696 235.146 363.569C234.36 364.443 233.309 365.035 232.155 365.254C227.963 366.576 223.771 367.896 219.579 369.217C192.351 377.794 165.137 386.367 137.959 395.208C131.008 397.38 124.356 400.412 118.156 404.231C99.654 416.03 96.8338 435.364 110.78 452.418C116.968 459.689 124.79 465.39 133.604 469.054C142.945 473.253 152.302 477.409 161.656 481.564C171.886 486.107 182.11 490.648 192.301 495.24C193.195 495.733 194.215 495.951 195.232 495.865C196.25 495.78 197.219 495.395 198.019 494.76C214.382 484.124 230.73 473.529 247.062 462.976C247.856 462.405 248.622 461.795 249.355 461.147C237.079 456.27 224.903 451.419 212.773 446.587C198.645 440.959 184.581 435.356 170.499 429.767C171.743 428.681 173.207 427.877 174.791 427.41C206.701 417.229 238.668 407.126 270.692 397.1C272.923 396.402 274.241 395.565 274.473 392.975C274.636 391.156 275.006 389.299 275.373 387.457C275.528 386.677 275.683 385.9 275.821 385.13L288.729 312.416C289.527 307.78 290.383 303.115 291.238 298.455C291.643 296.243 292.049 294.033 292.448 291.827C293.854 292.802 295.006 294.099 295.81 295.61C311.295 321.305 326.754 347.037 342.188 372.805C343.49 374.991 344.605 375.642 347.146 374.991C374.232 367.756 401.365 360.52 428.544 353.285L448.176 348.153C447.928 349.476 447.31 350.702 446.394 351.688C424.06 378.097 401.664 404.417 379.206 430.65C378.298 431.472 377.724 432.599 377.593 433.817C377.461 435.035 377.782 436.258 378.494 437.255C389.957 458.863 401.301 480.431 412.653 502.015C415.434 507.301 418.214 512.588 420.997 517.876C421.247 518.368 421.472 518.861 421.747 519.462ZM253.734 583.098C253.734 592.754 252.402 601.522 249.739 609.402C247.186 617.282 243.357 623.942 238.252 629.38C233.147 634.818 226.766 638.814 219.108 641.366L247.575 671H226.1L203.127 644.197H200.963C200.297 644.308 199.631 644.363 198.965 644.363C189.642 644.363 181.541 642.92 174.66 640.035C167.779 637.038 162.064 632.876 157.513 627.549C152.963 622.11 149.578 615.617 147.359 608.07C145.139 600.523 144.029 592.144 144.029 582.932C144.029 570.723 146.027 560.069 150.022 550.968C154.017 541.867 160.066 534.763 168.168 529.658C176.38 524.553 186.701 522 199.131 522C211.006 522 220.995 524.553 229.096 529.658C237.198 534.653 243.302 541.756 247.408 550.968C251.626 560.069 253.734 570.779 253.734 583.098ZM159.844 583.098C159.844 593.087 161.231 601.689 164.006 608.903C166.78 616.117 171.053 621.666 176.824 625.551C182.706 629.435 190.086 631.378 198.965 631.378C207.954 631.378 215.279 629.435 220.939 625.551C226.71 621.666 230.983 616.117 233.758 608.903C236.532 601.689 237.919 593.087 237.919 583.098C237.919 568.115 234.812 556.406 228.597 547.971C222.382 539.425 212.56 535.152 199.131 535.152C190.142 535.152 182.706 537.094 176.824 540.979C171.053 544.752 166.78 550.246 164.006 557.46C161.231 564.563 159.844 573.11 159.844 583.098ZM126.079 610.901C126.079 618.004 124.359 624.052 120.918 629.047C117.478 633.93 112.539 637.704 106.102 640.368C99.7763 643.031 92.285 644.363 83.6285 644.363C79.1892 644.363 74.9165 644.141 70.8102 643.697C66.8148 643.253 63.1524 642.643 59.823 641.866C56.4936 640.978 53.5526 639.924 51 638.703V624.386C54.9953 626.161 59.934 627.771 65.816 629.213C71.809 630.656 77.9684 631.378 84.2944 631.378C90.1764 631.378 95.1151 630.601 99.1104 629.047C103.106 627.493 106.102 625.273 108.1 622.388C110.098 619.502 111.096 616.117 111.096 612.232C111.096 608.348 110.264 605.074 108.599 602.41C106.935 599.746 104.049 597.305 99.9427 595.085C95.9474 592.754 90.3429 590.313 83.1291 587.76C78.0239 585.873 73.5292 583.875 69.6449 581.766C65.8715 579.547 62.7085 577.05 60.156 574.275C57.6034 571.5 55.6612 568.337 54.3294 564.785C53.1086 561.234 52.4982 557.127 52.4982 552.466C52.4982 546.14 54.1075 540.757 57.3259 536.317C60.5444 531.767 64.9836 528.271 70.6437 525.829C76.4147 523.387 83.0181 522.167 90.4538 522.167C97.0017 522.167 102.995 522.777 108.433 523.998C113.871 525.219 118.81 526.828 123.249 528.826L118.588 541.645C114.481 539.869 109.987 538.371 105.103 537.15C100.331 535.929 95.337 535.318 90.1209 535.318C85.1267 535.318 80.9649 536.04 77.6355 537.483C74.3061 538.926 71.809 540.979 70.1443 543.642C68.4795 546.195 67.6472 549.192 67.6472 552.632C67.6472 556.628 68.4795 559.958 70.1443 562.621C71.809 565.285 74.528 567.671 78.3014 569.78C82.0748 571.889 87.1799 574.164 93.6168 576.606C100.609 579.158 106.491 581.933 111.263 584.93C116.146 587.815 119.808 591.311 122.25 595.418C124.803 599.524 126.079 604.685 126.079 610.901ZM280.078 523.831V642.698H347V629.38H295.061V523.831H280.078Z" fill="%23E15C22"/>
<defs>
<linearGradient id="paint0_linear_2379_17302" x1="544.74" y1="302.077" x2="727.465" y2="484.8" gradientUnits="userSpaceOnUse">
<stop stop-color="%23387EB9"/>
<stop offset="1" stop-color="%23366994"/>
</linearGradient>
<linearGradient id="paint1_linear_2379_17302" x1="655.355" y1="421.618" x2="848.791" y2="603.67" gradientUnits="userSpaceOnUse">
<stop stop-color="%23FFDF44"/>
<stop offset="1" stop-color="%23FFC219"/>
</linearGradient>
</defs>
</svg>)
Spark SQL con Python para procesos ETL
Aprende a extraer, transformar y cargar datos de una variedad de fuentes; a realizar consultas complejas; a limpiar, unir y normalizar los datos; y a procesar datos en tiempo real con herramientas como Kafka. Al concluir el curso, los alumnos estarán preparados para diseñar y desarrollar un proyecto de ETL completo con Spark SQL y Python.
Aulas Virtuales Personalizadas
Aulas Virtuales
Personalizadas
¿Quieres formar a un grupo de trabajadores con temario a medida?
¡Esta es tu modalidad!
Aulas Virtuales Personalizadas
Aulas Virtuales
Personalizadas
¿Quieres formar a un grupo de trabajadores con temario a medida?
¡Esta es tu modalidad!
© 2026 Imagina Formación. Todos los derechos reservados