Arquitecturas distribuidas de Big Data

Objetivos

• Presentar los objetivos generales del módulo y proporcionar una introducción al mundo del Big Data.
• Analizar conceptos clave como escalabilidad, tolerancia a fallos, distribución geográfica de clústeres, latencia y otros términos relevantes.
• Diferenciar entre los modelos de computación On Premise, Cloud y Híbrida, explorando sus ventajas y desventajas.
• Conceptualizar la importancia de la paralelización en arquitecturas distribuidas.
• Explorar en detalle el paradigma de programación Map Reduce y su papel en el procesamiento distribuido.

Objetivos

• Analizar las diferencias entre procesamiento Batch y Streaming.
• Explorar la Arquitectura Lambda, comprendiendo su estructura y casos de uso.
• Examinar los principios fundamentales de la Arquitectura Kappa y situaciones en las que destaca.
• Evaluar las ventajas e inconvenientes de las arquitecturas Lambda y Kappa.
• Estudiar un caso real: analizar la arquitectura de datos de Netflix desde las perspectivas de Lambda y Kappa.
• Aplicar queries prácticas en HIVE para procesar y analizar datos.
• Explorar estrategias de optimización del rendimiento en el uso de HIVE.

Objetivos

• Comprender las funciones y arquitecturas de HDFS, YARN, y ZooKeeper.

• Analizar la integración de herramientas para mejorar la eficiencia en el análisis de Big Data.
• Comprender la importancia de la distribución eficiente de recursos en entornos distribuidos.
• Analizar las partes clave de un diagrama de YARN y su impacto en la asignación de recursos.
• Estudiar el enfoque de Netflix como un caso práctico de implementación de arquitecturas distribuidas.
• Extraer lecciones aprendidas de la experiencia de Netflix en la gestión de Big Data.
• Recapitular y consolidar los conocimientos adquiridos durante todo el curso.
• Explorar perspectivas futuras y posibles aplicaciones en el ámbito de arquitecturas distribuidas de Big Data.