Official Google Cloud Certified Professional Data Engineer Study Guide

Manual oficial de Sybex preparado por Dan Sullivan para superar la certificación Google Cloud Certified Professional Data Engineer. El texto está dirigido a ingenieros de datos, arquitectos de big data, analistas de datos sénior y desarrolladores de backend que diseñan, implementan, supervisan y protegen canalizaciones de datos y soluciones de análisis en Google Cloud Platform (GCP). Es recomendable poseer conocimientos previos en SQL, modelado de bases de datos relacionales y NoSQL, y conceptos de procesamiento distribuido de información.

El libro realiza un recorrido completo por el ecosistema de datos e inteligencia artificial de Google Cloud. Enseña la ingesta de flujos continuos a gran escala con Cloud Pub/Sub, el procesamiento batch y streaming mediante canalizaciones de Cloud Dataflow (basado en Apache Beam con ventanas temporales y marcas de agua), y la ejecución y migración de clústeres de Apache Spark y Hadoop con Cloud Dataproc. Explica en profundidad el almacenamiento analítico con BigQuery (particionamiento, clustering, optimización de consultas SQL y modelado predictivo con BigQuery ML), bases de datos NoSQL de baja latencia con Cloud Bigtable, y soluciones estructuradas como Cloud Spanner y Cloud SQL. Asimismo, abarca la orquestación de flujos de trabajo con Cloud Composer (basado en Apache Airflow), la limpieza interactiva con Cloud Dataprep, y la integración de modelos de aprendizaje automático mediante Cloud AI Platform, AutoML y APIs preentrenadas (Vision, Natural Language y Translation).

Cada capítulo cuenta con objetivos del examen, resúmenes estratégicos y preguntas de autoevaluación orientadas a resolver escenarios arquitectónicos y operativos reales del manejo de datos. No contiene proyectos de código de software completos para descargar, sino que prepara al profesional para tomar decisiones fundamentadas sobre almacenamiento, costes, seguridad (Cloud IAM, claves CMEK/CSEK y Cloud Data Loss Prevention) y rendimiento de pipelines. Aporta una taxonomía clara de cuándo usar cada servicio del stack de datos de Google. Deja fuera la programación avanzada de transformaciones complejas en Apache Beam o scripts en PySpark, aspectos que conviene ejercitar de forma independiente en entornos de laboratorio.