Saltar a contenido

Evaluación U3

Unidad 3: Integración y sustentación del producto final

Producto de la unidad / producto del curso: sistema Big Data integrado con pipeline batch, pipeline streaming y componente de ML con series de tiempo.

La evaluación de la Unidad 3 se trabaja con la plantilla oficial del entregable:

Abrir plantilla del entregable U3

Alcance ajustado del curso

La Unidad 3 consolida el producto del curso a partir de los entregables de las unidades anteriores:

  • U1: pipeline batch de ETL distribuido con Spark, calidad básica de datos y salidas analíticas en Parquet.
  • U2: pipeline streaming con Kafka/Spark, observabilidad/costos si fue trabajado, y ML distribuido con inferencia batch o streaming.
  • U3: integración técnica, revisión final y sustentación end-to-end del sistema construido.

Por falta de tiempo, DataOps y BI no son componentes obligatorios de esta evaluación. Pueden mencionarse como proyección o mejora futura, pero no deben penalizar el producto final si no fueron implementados. El componente analítico principal evaluado en la etapa final es ML con series de tiempo e inferencia.

Sesiones consideradas

  • Sesión 13: Integración del sistema, DataOps y BI.
  • Sesión 14: Revisión técnica final.
  • Sesión 15: Sustentación final con demo end-to-end.
  • Sesión 16: Evaluación final de recuperación, únicamente para estudiantes que no alcanzaron el nivel esperado o quedaron con calificación baja en la evaluación regular.

La evaluación regular del producto del curso se realiza en la Sesión 15. La Sesión 16 funciona como oportunidad final de recuperación y no requiere una nueva evaluación para quienes ya alcanzaron el logro esperado.

Indicación para el estudiante

Completa la plantilla integrando las evidencias de U1 y U2 en un solo producto:

  • arquitectura general del sistema Big Data;
  • pipeline batch de U1 con salida Parquet y dataset preparado;
  • pipeline streaming de U2 con Kafka/Spark o evidencias equivalentes;
  • modelo ML trabajado, especialmente series de tiempo e inferencia;
  • relación entre los datos procesados y el componente predictivo;
  • evidencias de ejecución reproducible;
  • demo end-to-end o recorrido técnico del sistema;
  • conclusiones, limitaciones y mejoras futuras.

La sustentación debe mostrar cómo las piezas construidas durante el curso se conectan en un producto coherente, aunque algunos componentes queden como propuesta técnica y no como despliegue completo.