Airflow es un framework de código abierto para desarrollar, orquestar y monitorizar flujos de trabajo en batch. En caso de no estar familiarizado con él, y para entender mejor el contenido de este artículo, es recomendable repasar los conceptos básicos…
Imagínese ser un data scientist que trabaja para una empresa que ha decidido unificar las bases de datos de dos de sus departamentos en una sola. No existe ningún índice común entre ambas fuentes y la tarea consiste en “deduplicar”…
Git es un sistema de control de versiones que se ha convertido en una herramienta esencial para el desarrollo de software. Permite a equipos de desarrolladores trabajar de manera colaborativa sobre el mismo código y gestionar de una forma eficiente…
La API Structured Streaming de Apache Spark es una poderosa herramienta para procesar flujos de datos en tiempo real. En este contexto, existen ciertos casos de uso en los que asegurar la exactitud del dato procesado no es trivial debido…
Cuando surge la necesidad de explorar datos o generar visualizaciones relacionadas con entidades geográficas (el polígono de un país o puntos de coordenadas geográficas), resulta bastante razonable pensar en mapas. En ocasiones, puede resultar igualmente válido usar visualizaciones más sencillas…
Una regresión lineal es un modelo que se usa para aproximar la relación lineal entre una variable dependiente Y y un conjunto de variables independientes X. En formato matricial puede expresarse como donde ε es un vector de términos aleatorios…