Tres cursos, según de dónde venís
Se aprende armando algo que tenga que funcionar. Elegí tu punto de partida y preinscribite: los que están en la lista se enteran primero de las fechas.
Precio y fechas: a confirmar. Los preinscriptos tienen prioridad de cupo y precio de lanzamiento.
Un mismo camino, tres escalones
De hacer reportes a modelar los datos
01 · Curso de Analytics Engineering →De programar APIs a construir pipelines
02 · Curso de Modern Data Engineer →De mover datos a preparar datos para la IA
03 · Curso de AI-native Data Engineer →
Curso de Analytics Engineering
Pasás de hacer reportes a armar el modelo de datos que los alimenta, con tests y documentado.
Con qué trabajás
- SQL
DuckDB
dbt
Git
- BI
Para quién es
- Trabajás con Excel, SQL o Power BI
- Sos data analyst o te toca armar los reportes
- Querés pasar de pedir datos a construir el modelo que usa todo el equipo
Qué necesitás saber
- Excel o SQL básico
- No hace falta saber programar
Ver temario · 5 semanas
- SQL analíticoWindow functions, CTEs y agregaciones con DuckDB. Por qué una base transaccional no sirve para analizar.
- Datos que llegan bienCargas incrementales e idempotentes. La pregunta que hacen en las entrevistas: ¿qué pasa si corre dos veces?
- Modelado dimensionalHechos, dimensiones y esquema estrella. Cómo guardar la historia de un cliente que cambia.
- Transformación con dbtStaging, marts, refs, tests y documentación. Git y revisión de código, como en un equipo de datos.
- Métricas y BIUna sola definición de cada métrica y el tablero conectado al modelo, no a una planilla.
Qué te llevás
Un proyecto dbt con tests sobre el caso de una billetera virtual ficticia, 10 preguntas de negocio resueltas en SQL y un tablero que lee del modelo.
Curso de Modern Data Engineer
Pasás de pensar en requests a pensar en datos, y salís con una plataforma de datos de punta a punta que podés defender en una entrevista.
Con qué trabajás
Python
DuckDB
Postgres
Parquet
dbt
Iceberg
Airflow
Para quién es
- Sos dev backend o full-stack, semi senior o senior
- Querés pasarte a datos sin empezar de cero
- En tu empresa o en un puesto remoto
Qué necesitás saber
- Python en producción (o Java, Node o Go y te bancás Python)
- SQL básico
- Git y Docker a nivel usuario
Ver temario · 5 semanas
- SQL analítico y el modelo mental de datosOLTP vs OLAP, window functions y CTEs con DuckDB y Postgres.
- Ingesta incremental e idempotenteExtraer de una API con cursores y reintentos, y cargas que se repiten sin duplicar. Python, Parquet y particiones.
- Modelado con dbtEsquema estrella, hechos y dimensiones, SCD tipo 2. Staging, marts y documentación.
- Lakehouse vs warehouseParquet e Iceberg sobre object storage, cuándo conviene BigQuery o Snowflake y cuánto cuesta cada camino.
- Orquestación y calidadAirflow con dependencias, backfills y alertas. Tests de dbt y contratos de datos: enterarte antes que el negocio.
Qué te llevás
Un repo público con ingesta, lakehouse en Iceberg, modelo en dbt, orquestación en Airflow y tests, más un ADR que explica el porqué de cada decisión.
Curso de AI-native Data Engineer
Tu RAG no falla por el modelo, falla por los datos. Armás la capa de datos de la IA: de documentos a un índice que se refresca solo y se puede medir.
Con qué trabajás
Kubernetes
MinIO
pgvector
DuckDB
Debezium
Spark
Grafana
Para quién es
- Sos data engineer con 2 años o más y pipelines en producción, o tech lead de datos
- Te piden "algo con IA": RAG, vector DB, no estructurados
Qué necesitás saber
- SQL avanzado y modelado
- Python con soltura, Docker y Git
- Haber orquestado pipelines en producción
- Kubernetes no: arranca de cero
Ver temario · 6 semanas
- Una plataforma de datos en KubernetesPods, jobs, volúmenes y Helm. Cluster local con MinIO, Postgres con pgvector y DuckDB.
- Ingesta de no estructuradosParsear PDFs, HTML y tablas, metadatos, linaje y deduplicación. Qué se pierde al parsear.
- Chunking y embeddings como modeladoEstrategias de chunking, modelos open source vs API, pgvector vs Qdrant y búsqueda híbrida.
- Streaming para un índice frescoCDC con Debezium, Redpanda y Spark Structured Streaming. Re-embeber solo lo que cambió.
- Evaluación del retrievalGolden set, recall@k y RAGAS. La evaluación corre en CI y frena el cambio si la calidad cae.
- Costos, observabilidad y producciónCosto por 1.000 documentos, métricas con Prometheus y Grafana, y un agente que usa el índice como herramienta.
Qué te llevás
Un pipeline de documentos a índice vectorial que corre en Kubernetes, se actualiza en streaming y tiene métricas de calidad y de costo por documento. Con números propios para defender cada decisión.
Cómo es el formato
- Clases en vivo, en cohorte: concepto y demo, y laboratorio guiado.
- 5 a 6 horas por semana, pensado para quien trabaja full time.
- Un solo caso durante todo el curso: cada semana suma una capa al mismo repo.
- Todas las clases quedan grabadas.
- Cupos limitados, para poder revisar el trabajo de cada uno.
- En español, con casos de banca y fintech.
Precio y fechas: a confirmar. Los preinscriptos tienen prioridad de cupo y precio de lanzamiento.