☁️
roadmap-01 //
AZURE ARCHITECTURE
Sin cloud, el mercado te excluye. Pipeline ETL de extremo a extremo en Azure:
de SQL Server local a Power BI pasando por Data Factory, Databricks y Synapse —
decisiones de arquitectura, no clicks.
7 niveles
Data Factory · Databricks · Synapse · Power BI
“No sales sabiendo más herramientas. Sales tomando mejores decisiones.”
cd roadmap/azure-architecture →
❄️
roadmap-02 //
SQL FOR CLOUD
No es otro curso de SQL: el mismo SQL que corre a escala en la industria.
Benchmarks TPC reales, storage/compute separados, time travel y costos cloud
sobre Snowflake — transferible a BigQuery, Redshift y Databricks SQL.
7 niveles
Snowflake · Databricks · BigQuery
“El SQL que aprendiste local ya no representa cómo funciona la industria moderna de datos.”
cd roadmap/sql-for-cloud →
🐍
roadmap-03 //
PYTHON FOR DATA ENGINEERING
No es otro curso de Python: el 20% del lenguaje que se usa el 80% del tiempo en DE.
El pegamento del stack — APIs, archivos, bases de datos y pipelines portables —
con un dataset NYC Taxi que crece de 5 viajes a 2 millones de filas.
8 niveles
pandas · Polars · PyArrow
“Python no es el objetivo. Es la herramienta. El objetivo es responder preguntas de negocio con datos.”
cd roadmap/python-for-data-engineering →
⚙️
roadmap-04 //
DEVOPS ENGINEERING
No es otro curso de herramientas: en 2026 saber Docker y Kubernetes es el mínimo.
El mercado premia al que entiende sistemas — cuándo, por qué y cuánto cuesta
cada decisión — hasta el despliegue E2E en AWS real.
8 niveles
Docker · K8s · Terraform · AWS
“DevOps no es aprender herramientas. Es aprender a construir sistemas que funcionan en producción.”
cd roadmap/devops →
🤖
roadmap-05 //
MACHINE LEARNING
Fundamentos de ML aplicados a datos: de los modelos clásicos a los
modernos, con evaluación, selección y validación con criterio de
ingeniería — no de magia.
PRÓXIMAMENTE
“Un modelo sin evaluación no es ML: es una apuesta.”
cd roadmap/machine-learning →
🧠
roadmap-06 //
ML ENGINEERING
De modelos a productos: entrenamiento, versionado y despliegue de ML
en producción. El puente entre la ciencia del dato y el software
que la industria realmente opera.
PRÓXIMAMENTE
“Un modelo en un notebook no genera valor. Un modelo desplegado sí.”
cd roadmap/ml-engineering →
🔧
roadmap-07 //
MLOPS
Operar ML como software: pipelines reproducibles, monitoreo de drift,
retraining automático y gobernanza de modelos — el ciclo de vida
completo de un sistema de ML en producción.
PRÓXIMAMENTE
“El trabajo del ML no termina en el deploy. Ahí empieza.”
cd roadmap/mlops →
⚡
roadmap-08 //
DATA ENGINEERING CON SPARK + DATABRICKS
Procesamiento distribuido a escala: Spark, Delta Lake y pipelines
batch + streaming. Cuando los datos ya no caben en una máquina, el
problema deja de ser SQL y pasa a ser arquitectura.
PRÓXIMAMENTE
“Spark no es SQL más rápido: es otra forma de pensar los datos.”
cd roadmap/de-spark →