El análisis de *big data* parte de limitaciones concretas: almacenamiento, planificación, coordinación del cómputo y las compensaciones (*trade-offs*) que definen los sistemas distribuidos. Este curso ofrece una perspectiva práctica sobre cómo se desplazan las tareas de análisis a través de un clúster, cómo se integran Hadoop y Spark en la arquitectura y cómo se articulan las cargas de trabajo por lotes (*batch*) y de flujo continuo (*streaming*). Es una opción ideal para quienes deseen comprender el funcionamiento de los sistemas de datos a gran escala sin tratar la infraestructura como una «caja negra».
Se abordan las limitaciones de los sistemas de Big Data, el almacenamiento distribuido, la planificación de tareas en clústeres y el ecosistema Hadoop, junto con el modelo conceptual de MapReduce y el modelo de ejecución de Spark. El curso también cubre la optimización y depuración en Spark, el diseño de pipelines de procesamiento por lotes (batch) de extremo a extremo, el procesamiento de flujos estructurados (Structured Streaming), así como la visualización y entrega de información estratégica derivada de Big Data.