data-engineering

APIs limpias para la limpieza de datos. Implementación en Python del paquete de R Janitor

Código fuente que acompaña al libro: Data Science on the Google Cloud Platform, Valliappa Lakshmanan, O'Reilly 2017.

La primera plataforma de descubrimiento y observabilidad de datos de código abierto. Facilitamos la vida a los profesionales de datos para que puedas centrarte en tu negocio.

Una plantilla completa de paquetes de Python para iniciar y estandarizar tus iniciativas de MLOps y pipelines de datos.

Una colección curada de más de 300 artículos de blogs de ingeniería de empresas tecnológicas líderes. Aprenda cómo los mejores equipos de ingeniería resuelven problemas del mundo real a escala.

¡La guía de SQL más completa de un experto del mundo real! Aprenda todo, desde conceptos básicos hasta consultas avanzadas, optimizaciones y SQL en el mundo real

Quilt es una plataforma de gestión de datos científicos en AWS que ayuda a los equipos y a la IA a encontrar, confiar y reutilizar datos a través de paquetes de datos con versiones profundas y ricos en contexto.

ETL/ELT de código abierto para desplegar en servidores propios o en la nube. Construido sobre DuckDB: pipelines visuales sin código/bajo código o SQL, 385 componentes, dbt, CDC, calidad de datos, ETL inverso, linaje y MCP para agentes de IA. Sin nube de proveedores ni facturación por fila.

Una lista curada, aunque incompleta, de recursos de IA centrados en datos.

Un centro de conocimiento sobre ingeniería de datos y aprendizaje automático

Hogar del Estándar de Contrato de Datos Abiertos (ODCS).

📙 Lista de catálogos de datos y plataformas de observabilidad destacados.

Aplicación de contratos de datos

🌊 Sincroniza continuamente los sistemas donde residen tus datos con los sistemas donde _quieres_ que residan, gestionando tus flujos de datos con Estuary. 🌊

FlyFish es una plataforma de codificación para visualización de datos. Permite crear modelos de datos rápidamente de forma sencilla y generar soluciones de visualización mediante arrastrar y soltar.

Una guía completa para construir un almacén de datos moderno con SQL Server, incluyendo procesos ETL, modelado de datos y análisis.

Núcleo de Egeria

Un repositorio más con conceptos básicos, desafíos técnicos y recursos sobre ingeniería de datos en español 🧙✨

Framework impulsado por la comunidad, simple pero potente, para computación distribuida sobre datos de forma rápida y rentable.

Neum AI es un framework de primera clase para gestionar la creación y sincronización de incrustaciones vectoriales a gran escala.

Material complementario para el curso de Udemy The Complete dbt (Data Build Tool) Bootcamp.

Ingeniería de datos práctica: una guía de proyectos prácticos sobre bienes raíces

Framework de Python para construir pipelines de datos eficientes. Promueve la modularidad y la colaboración, permitiendo la creación de pipelines complejos a partir de componentes simples y reutilizables.

Plataforma de ingeniería de datos basada en agentes de código abierto para dbt, SQL y almacenes de datos en la nube. Más de 100 herramientas, 10 almacenes y potenciado por IA.

Conozca mejor sus datos. Datavines es una plataforma de observabilidad de datos de próxima generación que admite la gestión de metadatos y la calidad de los datos.

Potencia BigQuery con BigFunctions.

Compilación de ejemplos reales y destacados de proyectos de machine learning fallidos

VectorFlow es un pipeline de embedding vectorial de alto volumen que ingiere datos sin procesar, los transforma en vectores y los escribe en la base de datos vectorial de tu elección.

El motor de flujo de datos es un motor subyacente impulsado por datos orientado a la integración, sincronización, intercambio y compartición de datos, así como a la configuración y programación de tareas. Adopta una arquitectura de separación de control y ejecución, múltiples capas de flujo y bibliotecas de complementos para abordar problemas reales de tareas de datos a gran escala, informes y recopilación de datos de alta frecuencia, y compatibilidad con datos heterogéneos.

Synmetrix: una capa semántica de código abierto lista para producción basada en Cube.