- 1

Google Cloud para Retail: Optimización y Modernización en E-commerce
08:50 - 2

MLOps: Integración y Operacionalización en Ciencia de Datos Retail
12:17 - 3

Arquitectura de Alto Nivel para Aplicaciones en la Nube
08:41 - 4

Desarrollo de Aplicaciones con Firebase y Vue: Configuración Inicial
18:49 - 5

Firebase: Autenticación y Seguridad en Aplicaciones Web
12:07 - 6
Instalación y Configuración de Google Cloud y Firebase para Apps
07:05 - 7

Medición de Interacciones con Google Tag Manager y Analytics
08:42 - 8

Configuración de Google Tag Manager y Google Analytics
16:23 - 9

Tageo Avanzado con Google Tag Manager para Customer Lifetime Value
12:33 - 10
Uso estratégico del Customer Lifetime Value (CLV)
01:11 - 11

Integración de Servicios y APIs en Arquitecturas Modernas
11:25
Introducción a Kubernetes y su Uso en la Orquestación de Contenedores
Clase 29 de 42 • Curso de Google Cloud Platform para E-commerce
Contenido del curso
- 12

Integración de APIs en Tiendas en Línea
09:17 - 13

Fundamentos y Creación de APIs con APIG de Google Cloud
09:33 - 14

Creación y Gestión de APIs con APIG
06:48 - 15

Creación de API Proxy con APIG y OpenAPI Specification
10:40 - 16

Creación y Gestión de API Products y Developer Apps
11:05 - 17

Creación y gestión de portales para desarrolladores con APIG
12:22 - 18

Configuración de Portales para Desarrolladores en APIG
06:04 - 19

Buenas prácticas para desarrollar APIs eficaces
01:46
- 20

Datos Estructurados en Machine Learning para Marketing
13:12 - 21

Modelos de Forecasting y Customer Lifetime Value con BigQuery
06:45 - 22

Integración de BigQuery con Jupyter para Análisis de Datos
15:34 - 23

Cuándo usar AutoML Tables vs BigQuery ML en Machine Learning
12:44 - 24

Entrenamiento de Modelos de Machine Learning con BigQuery ML
10:08 - 25

Entrenamiento y Evaluación de Modelos con BigQuery ML y Jupyter
13:39 - 26

Exportación de Modelos en BigQuery ML: Métodos y Consideraciones
07:09 - 27

Exportación de Modelos de Machine Learning a Cloud Storage
05:43
- 28

Despliegue de Modelos Machine Learning en Google Cloud Run
11:16 - 29

Introducción a Kubernetes y su Uso en la Orquestación de Contenedores
09:42 - 30

Implementación de Modelos de Machine Learning con BigQuery API
09:31 - 31

Almacenamiento de Predicciones con Google Cloud Storage y BigQuery
08:21 - 32

Implementación de Modelos ML en BigQuery y Almacenamiento en GCS
12:56 - 33

Despliegue Continuo con Google Cloud: Herramientas y Estrategias
12:13 - 34

Despliegue Continuo en Google Cloud con Cloud Run y Docker
10:31 - 35

Configuración de Escalamiento en Google Cloud Run
14:32 - 36

Control de Autenticación y Autorización en Google Cloud Run
25:41
- 37

Google Cloud Platform para Estrategias de Marketing Digital
10:45 - 38

Integración de Google Analytics con BigQuery para Segmentación Avanzada
09:29 - 39

Análisis de Datos con SQL y Modelos K-Means en Google Analytics
13:25 - 40

Creación y Evaluación de Modelos en BigQuery con Datos de Google Analytics
17:14 - 41

Segmentación de Audiencias en BigQuery y Predicciones de Compra
03:30 - 42

Integración de Audiencias en Google Marketing Platform
09:43
¿Qué es Kubernetes y cómo soluciona los problemas de administración de contenedores?
Kubernetes es la solución que transforma la complicada tarea de manejar múltiples contenedores en una tarea más sencilla y manejable. Creado por Google y presentado por primera vez en 2014, este sistema open source se convirtió rápidamente en un pilar fundamental para muchas empresas. Kubernetes facilita la orquestación de aplicaciones y la administración de la infraestructura subyacente a través de su API, permitiendo que las compañías gestionen mejor sus recursos de computación.
¿Cómo funciona Kubernetes?
-
API y control line: Kubernetes se expone a través de una API que permite interactuar con la colección de funciones conocidas como control line. Puedes manejar tus clústeres usando una interfaz de línea de comando o una interfaz gráfica de usuario.
-
Manejo de nodos y pods: Los nodos representan una abstracción del cómputo que ofrecen una cierta cantidad de RAM y CPU para soportar tus aplicaciones. Los pods son elementos lógicos donde se despliegan tus aplicaciones como contenedores, asegurando los recursos necesarios para su funcionamiento.
-
Tercerización y extensibilidad: Al ser open source, Kubernetes permite la integración de componentes de terceros, multiplicando las posibilidades de expansión y adaptación de sus funcionalidades.
¿Cómo se integra Kubernetes con otras soluciones tecnológicas?
Google ha aprendido muchas lecciones desde la introducción de Kubernetes, comenzando con App Engine, una de las primeras plataformas de la nube que ofreció. Hoy en día, Cloud Run se perfila como una solución innovadora que fusiona la portabilidad de los contenedores de Kubernetes con funcionalidades serverless, heredadas de App Engine y Cloud Functions.
¿Qué es Cloud Run y cómo mejora Kubernetes?
Cloud Run es otro proyecto open source que lleva la abstracción más allá de Kubernetes, conocido también como KNative en el mundo de los proyectos. Brinda la capacidad de desplegar contenedores en un entorno serverless, ideal para quienes no quieren lidiar con la complejidad de Kubernetes.
-
Arquitecturas basadas en microservicios: Cloud Run fomenta la implementación de una arquitectura de microservicios, permitiendo la exposición de servicios internos y externos, brindando un entorno flexible para evolución continua.
-
Balance de tráfico con Istio: Con la ayuda de Istio, a través de Cloud Run, puedes gestionar y distribuir el tráfico entre diferentes revisiones de un servicio, realizando pruebas y ajustes en vivo.
-
Escalado serverless: Permite que la carga de procesamiento varíe automáticamente, escalando a cero cuando no se utiliza, lo que significa un ahorro significativo en costos.
¿Cuál es la oferta de Google en el entorno serverless y por qué es relevante?
El enfoque de Google en integrar contenedores con un enfoque serverless transforma la forma en que se mide el rendimiento y se optimizan los recursos en la nube. Kubernetes y Cloud Run ilustran cómo las tecnologías modernas pueden coexistir y adaptarse a las necesidades de los usuarios, proporcionando flexibilidad, ahorro y rendimiento.
¿Cuáles son las ventajas del serverless de Google?
-
Portabilidad y manejabilidad: Tener contenedores y administrador serverless significa que obtienes lo mejor de ambos mundos en términos de simplicidad de gestión y flexibilidad operativa.
-
Integración continua con APIs de Kubernetes: Estas APIs ofrecen una base sólida para un entorno más distribuido y escalable, indispensable para las aplicaciones modernas.
Mantenerse actualizado e innovar continuamente es clave. Te invitamos a seguir aprendiendo sobre estas tecnologías y descubrir cómo puedes implementar soluciones inteligentes en tus proyectos.