Contenido avanzado

Linux en Producción ▶
01. systemd — unidades y servicios avanzados 02. Journald y logging del sistema 03. Gestión de usuarios y grupos avanzada 04. sudo y políticas de acceso (sudoers) 05. Cron y systemd timers 06. Gestión de procesos: nice, renice, ulimit 07. cgroups — control de recursos 08. Monitoreo de recursos: top, htop, vmstat, iostat 09. Manejo de señales y procesos zombie 10. systemd resource control (CPUQuota, MemoryMax) 11. Configuración de red con nmcli/netplan 12. Firewall con firewalld/nftables 13. SSH avanzado: hardening y claves 14. DNS y resolución de nombres en Linux 15. Túneles y port forwarding con SSH 16. Particionado y LVM 17. Sistemas de archivos: ext4 vs xfs vs btrfs 18. Montaje automático con fstab 19. Backups y snapshots (rsync, LVM snapshots) 20. Cuotas de disco y monitoreo de espacio 21. SELinux / AppArmor 22. Auditoría del sistema con auditd 23. Hardening de SSH y kernel (sysctl) 24. Gestión de certificados y PKI en Linux 25. Detección de intrusiones básica (fail2ban) 26. Automatización con scripts bash robustos 27. Troubleshooting de alto uso de CPU/memoria 28. Troubleshooting de problemas de red 29. Actualización y parcheo seguro en producción 30. Proyecto final: hardening y operación de un servidor Linux en producción 📄 PDF completo
Docker en Producción ▶
01. Multi-stage builds 02. Optimización de capas y layer caching 03. .dockerignore y contexto de build 04. Imágenes base — slim, alpine, distroless 05. BuildKit y build avanzado 06. Redes Docker: bridge, host, overlay 07. Docker volumes vs bind mounts 08. Persistencia de datos en contenedores 09. DNS interno y comunicación entre contenedores 10. Docker networks personalizadas 11. Escaneo de vulnerabilidades (Trivy, Docker Scout) 12. Ejecutar contenedores sin root 13. Capabilities y seccomp 14. Gestión de secretos en Docker 15. Firma y verificación de imágenes (Docker Content Trust) 16. Docker Compose — servicios avanzados 17. Healthchecks en Docker Compose 18. Docker Compose para múltiples entornos 19. Restart policies y resiliencia 20. Resource limits en Docker (memory, cpus) 21. Logging de contenedores (drivers de log) 22. Monitoreo de contenedores con cAdvisor/Prometheus 23. Debugging de contenedores en producción 24. Docker exec y troubleshooting en caliente 25. Optimización de rendimiento de contenedores 26. Registries privados (Docker Registry, Harbor) 27. CI/CD para builds de imágenes Docker 28. Actualización y rollback de contenedores 29. Docker en producción: buenas prácticas de despliegue 30. Proyecto final: aplicación containerizada lista para producción 📄 PDF completo
Podman en Producción ▶
01. Qué es Podman y diferencias con Docker (daemonless) 02. Arquitectura de Podman — rootless containers 03. Instalación de Podman 04. Podman CLI — comandos básicos compatibles con Docker 05. Podman vs Docker vs containerd — cuándo usar cada uno 06. Rootless containers — cómo funciona 07. User namespaces y mapeo de UIDs 08. Seguridad por defecto de Podman vs Docker 09. SELinux y Podman 10. Capabilities y hardening de contenedores 11. Concepto de Pod en Podman (similar a Kubernetes) 12. Gestión de volúmenes en Podman 13. Redes en Podman — modos de networking 14. Generación de Kubernetes YAML desde Podman (podman generate kube) 15. Podman Compose — equivalente a docker-compose 16. Podman y systemd — Quadlet 17. Generación de unidades systemd para contenedores 18. Auto-start de contenedores al arrancar el sistema 19. Healthchecks en Podman 20. Logging y gestión de logs de contenedores 21. Buildah — construcción de imágenes sin daemon 22. Podman build — Dockerfile compatible 23. Gestión de registries con Podman 24. Firma de imágenes con Podman (Skopeo, Sigstore) 25. Migración de Docker a Podman 26. Podman en CI/CD pipelines 27. Podman machine — uso en macOS/Windows 28. Monitoreo de contenedores Podman 29. Troubleshooting de contenedores rootless 30. Proyecto final: entorno de contenedores completo con Podman listo para producción 📄 PDF completo
Containerd en Producción ▶
01. Qué es containerd y su rol como runtime de bajo nivel 02. Arquitectura de containerd — núcleo y plugins 03. containerd vs Docker vs CRI-O — el panorama de runtimes 04. Instalación y configuración de containerd 05. Namespaces internos de containerd (distinto de namespaces de Linux) 06. Container Runtime Interface (CRI) — el contrato con Kubernetes 07. containerd como runtime de kubelet 08. crictl — CLI para depurar containerd vía CRI 09. Configuración de containerd para Kubernetes (config.toml) 10. Sandbox/pause container — cómo containerd gestiona Pods 11. ctr — CLI de bajo nivel de containerd 12. Pull y gestión de imágenes con containerd 13. Snapshotters — overlayfs y alternativas 14. Content store — almacenamiento de contenido de imágenes 15. Garbage collection de imágenes y contenido no usado 16. runc y la interfaz OCI Runtime 17. Runtimes alternativos — Kata Containers, gVisor (runsc) 18. RuntimeClass en Kubernetes — múltiples runtimes en el mismo cluster 19. Configuración de runtime seguro para cargas no confiables 20. Seccomp, AppArmor y containerd 21. Plugins de containerd — extensibilidad 22. Configuración de registries y mirrors 23. Métricas de containerd (Prometheus) 24. Troubleshooting con ctr y crictl 25. Logs y debugging de containerd 26. Actualización de containerd sin downtime de Pods 27. Rendimiento — tuning de containerd a gran escala 28. Migración de dockershim a containerd 29. containerd en entornos air-gapped 30. Proyecto final: runtime de contenedores completo con containerd listo para producción 📄 PDF completo
Velero en Producción ▶
01. Arquitectura de Velero — componentes 02. Instalación y configuración inicial 03. Backup Storage Locations (BSL) 04. Volume Snapshot Locations (VSL) 05. Plugins de proveedor cloud (AWS, Azure, GCP) 06. Backups completos vs selectivos (por namespace/label) 07. Backup schedules — automatización periódica 08. Backup hooks — pre/post hooks 09. TTL y retención de backups 10. Backups incluyendo/excluyendo recursos específicos 11. Volume snapshots nativos del proveedor cloud 12. File System Backup (Restic/Kopia) 13. CSI snapshots con Velero 14. Selección de estrategia de snapshot según el caso 15. Consistencia de datos en snapshots de bases de datos 16. Restore básico de un backup completo 17. Restore selectivo (namespace, labels, resource types) 18. Restore a un cluster distinto (migración) 19. Resolución de conflictos en restore (existing resources) 20. Restore hooks 21. Estrategia de DR con Velero 22. Migración de cluster a cluster 23. Migración entre proveedores cloud distintos 24. Namespace mapping en migraciones 25. Validación post-restore 26. Monitoreo y métricas de Velero (Prometheus) 27. Troubleshooting de backups fallidos 28. Seguridad — permisos IAM mínimos para Velero 29. Integración con GitOps (backup antes de cambios grandes) 30. Proyecto final: estrategia de backup/DR completa con Velero 📄 PDF completo
Longhorn en Producción ▶
01. Qué es Longhorn y storage distribuido en Kubernetes 02. Arquitectura — engine, replica, manager 03. Instalación de Longhorn (Helm, Rancher) 04. StorageClass y provisioning dinámico 05. Longhorn UI — dashboard de gestión 06. Ciclo de vida de un volumen Longhorn 07. Replicación de datos — número de réplicas 08. Volume scheduling y node/disk selectors 09. Data locality — optimización de rendimiento 10. Expansión de volúmenes en caliente 11. Snapshots de volúmenes — local 12. Backups hacia object storage (S3, NFS) 13. Recurring snapshots y backup schedules 14. Restore de un volumen desde backup 15. Disaster recovery — DR volumes entre clusters 16. Rendimiento de Longhorn — factores clave 17. Configuración de disks — SSD vs HDD 18. V2 Data Engine (SPDK) — mejoras de rendimiento 19. Optimización para cargas de bases de datos 20. Comparación con otras soluciones (Ceph, OpenEBS) 21. Node maintenance sin downtime de volúmenes 22. Auto-salvage y recuperación ante fallos 23. Gestión de espacio — over-provisioning 24. Monitoreo de Longhorn con Prometheus 25. Troubleshooting de volúmenes degradados 26. Seguridad — cifrado de volúmenes 27. RBAC y control de acceso en Longhorn 28. Actualización de Longhorn sin downtime 29. Migración de datos hacia/desde Longhorn 30. Proyecto final: storage distribuido completo con Longhorn listo para producción 📄 PDF completo
Kafka en Producción ▶
01. Qué es Kafka y el modelo de streaming de eventos 02. Arquitectura — brokers, topics, partitions 03. Instalación de Kafka (KRaft mode, sin Zookeeper) 04. Productores y consumidores — conceptos básicos 05. Kafka CLI — comandos fundamentales 06. Topics — creación y configuración 07. Particiones — cómo se distribuyen los datos 08. Replication factor — tolerancia a fallos 09. Claves de partición y estrategias de particionamiento 10. Retención de datos — time-based y size-based 11. Configuración de producers — acks, batching 12. Idempotencia y exactly-once semantics 13. Consumer groups — escalado horizontal de consumo 14. Offsets — commit manual vs automático 15. Rebalancing de consumer groups 16. Kafka Connect — arquitectura de conectores 17. Source y Sink connectors 18. Kafka Streams — procesamiento de streams 19. ksqlDB — SQL sobre streams 20. Schema Registry — gestión de esquemas Avro/Protobuf 21. Tuning de rendimiento — throughput y latencia 22. Monitoreo de Kafka con Prometheus (JMX exporter) 23. Gestión de partition reassignment 24. Backup y disaster recovery (MirrorMaker) 25. Troubleshooting de consumer lag 26. Seguridad — SASL, TLS, ACLs 27. Kafka en Kubernetes (Strimzi) 28. Multi-cluster y replicación geo-distribuida 29. Actualización de Kafka sin downtime 30. Proyecto final: plataforma de streaming completa con Kafka lista para producción 📄 PDF completo

Inteligencia Artificial

MLOps en Producción ▶
01. Qué es MLOps y por qué existe 02. Ciclo de vida de un modelo de ML en producción 03. Niveles de madurez MLOps 04. Herramientas del ecosistema MLOps 05. Reproducibilidad: código, datos y entorno 06. Versionado de datos con DVC 07. Feature stores 08. Seguimiento de experimentos con MLflow Tracking 09. Gestión de hiperparámetros y búsqueda 10. Validación de datos y esquemas 11. Pipelines de ML como código 12. Kubeflow Pipelines 13. Orquestación con Airflow para ML 14. Entrenamiento distribuido y GPUs en Kubernetes 15. CI/CD para ML y entrenamiento continuo (CT) 16. Model Registry 17. Empaquetado de modelos: contenedores y ONNX 18. Serving: batch vs online 19. KServe y serving en Kubernetes 20. Estrategias de despliegue: canary, shadow y A/B 21. Monitoreo: métricas de sistema vs métricas de modelo 22. Data drift 23. Concept drift y degradación del modelo 24. Reentrenamiento automático y triggers 25. Observabilidad y logging de predicciones 26. Gobernanza, linaje y auditoría 27. Seguridad en ML: datos sensibles y ataques 28. Costos y optimización de inferencia 29. LLMOps: particularidades de los LLMs en producción 30. Proyecto final: plataforma MLOps completa lista para producción 📄 PDF completo
LLMOps en Producción ▶
01. Qué es LLMOps y en qué se diferencia de MLOps clásico 02. Arquitectura de una aplicación LLM en producción 03. Elegir entre modelo propietario (API) vs modelo open-source autoalojado 04. Tokens, contexto y costos — unidades económicas de un LLM 05. Entornos: desarrollo, staging y producción para apps LLM 06. Prompt engineering — principios básicos 07. Versionado de prompts como código 08. Plantillas de prompts y variables dinámicas 09. Few-shot prompting y ejemplos en el prompt 10. Prompt injection — riesgos y mitigaciones 11. Qué es RAG y por qué se usa en producción 12. Embeddings y bases de datos vectoriales 13. Chunking — estrategias de división de documentos 14. Re-ranking y mejora de relevancia de recuperación 15. Actualización del índice — RAG con datos frescos 16. Evaluación de LLMs — métricas y desafíos 17. LLM-as-judge — usar un modelo para evaluar a otro 18. Datasets de evaluación (golden sets) 19. Testing de regresión para prompts y modelos 20. A/B testing de prompts y modelos en producción 21. Serving de LLMs — vLLM y motores de inferencia 22. Cuantización de modelos LLM 23. Streaming de respuestas — UX y arquitectura 24. Caching de respuestas y prompts 25. Fine-tuning vs prompting — cuándo usar cada uno 26. Observabilidad de aplicaciones LLM — tracing de llamadas 27. Guardrails — filtrado de contenido y validación de salidas 28. Gestión de costos a escala — rate limiting y budgets 29. Agentes LLM en producción — orquestación de herramientas 30. Proyecto final: plataforma LLMOps completa lista para producción 📄 PDF completo
Kubeflow en Producción ▶
01. Qué es Kubeflow y su propósito como plataforma de ML en Kubernetes 02. Arquitectura de componentes de Kubeflow 03. Instalación de Kubeflow (manifests, distribuciones) 04. Kubeflow Central Dashboard 05. Kubeflow vs plataformas ML gestionadas (SageMaker, Vertex AI) 06. Kubeflow Notebooks — servidores Jupyter en el cluster 07. Perfiles (Profiles) y namespaces de usuario 08. Volúmenes persistentes para notebooks 09. Imágenes personalizadas de notebook 10. Recursos y cuotas para notebooks (CPU/GPU) 11. Kubeflow Pipelines — componentes y arquitectura interna 12. SDK de KFP — definir un pipeline en Python 13. Compilación y ejecución de pipelines 14. Parámetros y artefactos entre componentes 15. Recurring runs y scheduling de pipelines 16. Training Operator — TFJob, PyTorchJob 17. Entrenamiento distribuido con PyTorchJob 18. Katib — ajuste automático de hiperparámetros 19. Algoritmos de búsqueda en Katib 20. Experiment y Trial en Katib 21. KServe dentro de Kubeflow 22. InferenceService — despliegue de modelos 23. Multi-tenancy en Kubeflow — aislamiento entre equipos 24. RBAC e Istio AuthorizationPolicy en Kubeflow 25. Integración con Model Registry 26. Metadata y linaje con ML Metadata (MLMD) 27. Monitoreo de Kubeflow con Prometheus 28. Actualización de Kubeflow sin downtime 29. Troubleshooting de pipelines fallidos 30. Proyecto final: plataforma Kubeflow completa lista para producción 📄 PDF completo
GPUs en Kubernetes ▶
01. Lección 01 02. Lección 02 03. Lección 03 04. Lección 04 05. Lección 05 06. Lección 06 07. Lección 07
Ollama y LLMs Self-Hosted ▶
01. Qué es Ollama y por qué self-hosted LLMs 02. Instalación de Ollama 03. Modelos GGUF y cuantización 04. Requisitos de hardware — CPU vs GPU 05. Ollama vs servicios cloud de LLM 06. Descargar y ejecutar modelos con Ollama 07. Biblioteca de modelos de Ollama 08. Modelfile — personalizar un modelo 09. Ajustar parámetros de inferencia (temperature, context) 10. Gestión de espacio en disco y múltiples modelos 11. API REST de Ollama 12. Streaming de respuestas con la API 13. Compatibilidad con API de OpenAI 14. Embeddings con Ollama 15. Integración con LangChain y frameworks 16. Ollama en Docker 17. Persistencia de modelos en contenedores 18. Ollama en Kubernetes 19. Exponer Ollama de forma segura (reverse proxy, auth) 20. Escalado de Ollama — múltiples réplicas 21. Optimización de rendimiento de inferencia local 22. Offloading de capas entre CPU y GPU 23. Gestión de memoria y contexto largo 24. Batch de peticiones concurrentes 25. Comparación de modelos — tamaño vs calidad vs velocidad 26. Seguridad de un despliegue self-hosted de LLM 27. Monitoreo de Ollama en producción 28. Actualización de modelos sin downtime 29. Casos de uso — cuándo self-hosted vale la pena 30. Proyecto final: plataforma de LLMs self-hosted lista para producción 📄 PDF completo
RAG en Producción ▶
01. Anatomía de un pipeline RAG en producción 02. Ingesta de documentos — fuentes y formatos 03. Parsers y extracción de contenido (PDF, HTML, Office) 04. Preprocesamiento y limpieza de texto 05. Metadata y enriquecimiento de fragmentos 06. Comparación de bases de datos vectoriales (Pinecone, Weaviate, Qdrant, pgvector) 07. Índices ANN — HNSW y IVF 08. Filtrado por metadata en búsquedas vectoriales 09. Namespaces y multi-tenancy en bases vectoriales 10. Escalado y sharding de índices vectoriales 11. Búsqueda híbrida — combinar vectorial y léxica (BM25) 12. Query expansion y reformulación de consultas 13. Recuperación multi-hop 14. Filtros de contexto y ventana de recuperación 15. Recuperación con múltiples índices (routing) 16. Construcción del prompt final con contexto recuperado 17. Manejo de contexto que no cabe en la ventana del modelo 18. Citas y trazabilidad de fuentes en la respuesta 19. Manejo de 'no sé' — evitar alucinaciones sin contexto suficiente 20. RAG conversacional — memoria y contexto multi-turno 21. Métricas de evaluación de RAG — faithfulness, relevance 22. RAGAS y frameworks de evaluación automatizada 23. Evaluación de la etapa de recuperación vs generación 24. Testing de regresión para sistemas RAG 25. Feedback de usuarios y mejora continua 26. RAG multi-modal — imágenes y tablas 27. Agentic RAG — recuperación como herramienta de un agente 28. Costos de un sistema RAG a escala 29. Seguridad — control de acceso a nivel de documento 30. Proyecto final: sistema RAG completo listo para producción 📄 PDF completo
Agentes de IA para DevOps ▶
01. Qué es un agente de IA y en qué se diferencia de un chatbot simple 02. El ciclo ReAct — razonar, actuar, observar 03. Tool calling — cómo un LLM invoca herramientas externas 04. Frameworks de agentes (LangGraph, CrewAI, AutoGen) 05. Model Context Protocol (MCP) — estandarizando el acceso a herramientas 06. Agentes que generan IaC (Terraform, Kubernetes manifests) 07. Agentes de troubleshooting — diagnóstico automatizado de incidentes 08. Agentes para análisis de logs y correlación de eventos 09. Agentes de capacity planning y optimización de costos 10. Riesgos de dar acceso de escritura a un agente sobre infraestructura real 11. Agentes de revisión de código (code review automatizado) 12. Agentes que generan y corrigen pipelines de CI/CD 13. Agentes para triage de fallos de build 14. Agentes de generación de tests automatizados 15. Integración de agentes con GitHub/GitLab (PRs, issues) 16. Arquitecturas multi-agente — por qué dividir tareas entre agentes 17. Patrones de orquestación — supervisor, pipeline, debate 18. Comunicación entre agentes 19. Delegación de tareas y especialización de agentes 20. Memoria compartida entre agentes de un mismo sistema 21. Principio de menor privilegio aplicado a agentes 22. Human-in-the-loop — aprobación antes de ejecutar acciones críticas 23. Sandboxing de acciones de un agente 24. Auditoría y logging de decisiones de un agente 25. Prevención de bucles infinitos y consumo descontrolado de recursos 26. Observabilidad de agentes — tracing de decisiones y herramientas invocadas 27. Evaluación de agentes — más allá de evaluar una única respuesta 28. Costos de ejecutar agentes con múltiples pasos e iteraciones 29. Casos de uso reales — cuándo un agente aporta valor real en DevOps 30. Proyecto final: plataforma de agentes de IA para DevOps lista para producción 📄 PDF completo
Observabilidad de IA ▶
01. Por qué la observabilidad tradicional no es suficiente para sistemas de IA 02. Los tres pilares aplicados a IA — logs, métricas y trazas 03. Qué hace única a la observabilidad de IA — calidad y semántica 04. OpenTelemetry y estandarización de trazas para IA 05. Arquitectura de un stack de observabilidad de IA 06. Trazas de extremo a extremo en una aplicación LLM/agente 07. Spans anidados — de la petición del usuario a cada llamada al modelo 08. Herramientas de tracing especializadas (LangSmith, Langfuse, Arize) 09. Correlación de trazas entre microservicios y llamadas al LLM 10. Sampling de trazas — qué capturar a gran escala 11. Métricas de negocio vs métricas técnicas en sistemas de IA 12. Monitoreo de calidad de respuesta en producción 13. Detección de drift de datos y de modelo en tiempo real 14. Métricas de seguridad — tasa de bloqueo de guardrails, intentos de jailbreak 15. Dashboards efectivos para sistemas de IA 16. Observabilidad de costos — tokens, llamadas, por usuario/feature 17. Atribución de costos en sistemas multi-modelo 18. Latencia — percentiles y su impacto en experiencia de usuario 19. Observabilidad de uso de GPU y recursos de inferencia 20. Presupuestos y alertas de costos 21. Definir alertas significativas para sistemas de IA 22. Detección de anomalías en el comportamiento del modelo 23. Runbooks para incidentes específicos de IA 24. On-call para sistemas de IA — qué es diferente 25. Post-mortems de incidentes de IA 26. Feedback humano como señal de observabilidad 27. Observabilidad para cumplimiento y auditoría (compliance) 28. Observabilidad multi-agente — visibilidad de sistemas complejos 29. Cultura de observabilidad — de reactivo a proactivo 30. Proyecto final: stack de observabilidad de IA completo listo para producción 📄 PDF completo
Seguridad en IA ▶
01. Por qué la IA introduce una superficie de ataque distinta al software tradicional 02. OWASP Top 10 para aplicaciones LLM 03. Modelado de amenazas para sistemas de IA 04. El ciclo de vida de ML y dónde puede introducirse cada riesgo 05. Diferencia entre seguridad DEL modelo y seguridad CON el modelo 06. Prompt injection avanzado — directo vs indirecto 07. Jailbreaking — técnicas y por qué funcionan 08. Ataques adversariales sobre modelos de clasificación/visión 09. Data poisoning — envenenamiento de datos de entrenamiento 10. Ataques de evasión en producción 11. Model inversion — reconstruir datos de entrenamiento 12. Membership inference — saber si un dato se usó para entrenar 13. Model extraction — robo del modelo mediante consultas 14. Fuga de PII en respuestas generadas 15. Técnicas de privacidad diferencial en ML 16. Arquitectura de defensa en capas para aplicaciones LLM 17. Filtrado de entrada — sanitización de prompts 18. Filtrado de salida — validación de respuestas antes de entregarlas 19. Guardrails basados en clasificadores vs basados en reglas 20. Rate limiting y throttling como defensa 21. Seguridad de la cadena de suministro de modelos (model supply chain) 22. Riesgos de modelos y datasets de terceros no verificados 23. Escaneo de vulnerabilidades en dependencias de ML 24. Seguridad de API keys y credenciales de modelos 25. Aislamiento y sandboxing de cargas de trabajo de inferencia 26. Red teaming de sistemas de IA 27. Detección de abuso y uso malicioso en producción 28. Respuesta a incidentes de seguridad específicos de IA 29. Cumplimiento normativo de seguridad de IA (EU AI Act, marcos regulatorios) 30. Proyecto final: postura de seguridad de IA completa lista para producción 📄 PDF completo
AIOps: IA para Operaciones de TI ▶
01. Qué es AIOps y qué problema resuelve en operaciones de TI modernas 02. AIOps vs monitoreo tradicional basado en umbrales 03. Las cuatro capacidades centrales de AIOps (correlación, anomalías, causa raíz, 04. Fuentes de datos para AIOps — métricas, logs, trazas, eventos, topología 05. Plataformas de AIOps — comerciales vs open source 06. El problema de la fatiga de alertas 07. Deduplicación y agrupación de alertas similares 08. Correlación de eventos basada en topología 09. Correlación temporal — eventos que ocurren juntos 10. Supresión inteligente de alertas durante incidentes conocidos 11. Detección de anomalías estadística vs basada en ML 12. Baselines dinámicos — aprender el comportamiento normal 13. Detección de anomalías estacionales (día/semana/mes) 14. Anomalías multivariadas — correlación entre varias métricas 15. Falsos positivos — el reto central de la detección de anomalías 16. Qué es el análisis de causa raíz (RCA) automatizado 17. Grafos de dependencia de servicios para RCA 18. Análisis de logs con NLP para encontrar la causa 19. Ranking de causas probables — priorizar hipótesis 20. Limitaciones del RCA automatizado — cuándo confiar y cuándo no 21. Mantenimiento predictivo de infraestructura 22. Forecasting de capacidad con series temporales 23. Predicción de fallos antes de que ocurran 24. Remediación automatizada — de la detección a la acción 25. Runbooks automatizados disparados por IA 26. Integración de AIOps con el stack de observabilidad existente 27. Entrenar modelos de AIOps con datos históricos de incidentes 28. Medir el éxito de una iniciativa de AIOps — métricas de impacto 29. Adopción organizacional — de reactivo a impulsado por IA 30. Proyecto final: plataforma de AIOps completa lista para producción 📄 PDF completo
IA en la Nube ▶
01. Por qué usar servicios de IA gestionados en la nube en vez de construir todo propio 02. Los tres grandes: AWS, Azure, GCP — panorama general de sus ofertas de IA 03. Modelos de servicio: IaaS, PaaS y modelos totalmente gestionados para IA 04. Elegir entre API gestionada vs infraestructura gestionada vs self-hosted 05. Vendor lock-in en IA — riesgos y mitigaciones 06. Amazon Bedrock — acceso gestionado a modelos fundacionales 07. Amazon SageMaker — plataforma de ML de extremo a extremo 08. SageMaker endpoints — despliegue de modelos para inferencia 09. AWS y GPUs — instancias EC2 para IA (P4, P5, Inferentia, Trainium) 10. Servicios de IA especializados de AWS (Textract, Transcribe, Rekognition) 11. Azure OpenAI Service — acceso gestionado a modelos de OpenAI 12. Azure Machine Learning — plataforma de ML de Microsoft 13. Azure AI Search — búsqueda vectorial e híbrida gestionada 14. Content Safety y guardrails nativos en Azure AI 15. Integración de Azure AI con el ecosistema Microsoft (Copilot, Power Platform) 16. Vertex AI — plataforma unificada de ML de Google Cloud 17. Modelos Gemini vía Vertex AI 18. Vertex AI Search y Vertex AI Agent Builder 19. TPUs — el hardware de IA propio de Google 20. Model Garden — catálogo de modelos en Vertex AI 21. Comparar el costo real entre proveedores para una misma carga de trabajo de IA 22. Abstracciones multi-cloud — LiteLLM y capas de compatibilidad 23. Latencia y ubicación de datos — elegir la región correcta 24. Bases de datos vectoriales gestionadas en la nube 25. Estrategias de failover entre proveedores de IA 26. Seguridad y cumplimiento de IA en la nube (IAM, VPC, cifrado) 27. Monitoreo y costos en servicios de IA gestionados 28. CI/CD para despliegues de IA en la nube 29. Casos de uso — cuándo cada proveedor tiene ventaja real 30. Proyecto final: arquitectura de IA en la nube completa lista para producción 📄 PDF completo
Python para IA ▶
01. Por qué Python domina el ecosistema de IA y ML 02. Entornos virtuales y gestión de dependencias para proyectos de IA 03. Jupyter Notebooks — desarrollo interactivo para IA 04. Tipado con type hints en código de IA 05. Gestores de paquetes modernos (uv, poetry) para proyectos de ML 06. Arrays de NumPy — la base de la computación numérica en Python 07. Broadcasting en NumPy 08. Operaciones vectorizadas vs bucles — por qué importa el rendimiento 09. Álgebra lineal con NumPy — vectores y matrices 10. Tipos de datos y precisión numérica en NumPy 11. DataFrames de Pandas — estructura central para datos tabulares 12. Limpieza y preprocesamiento de datos con Pandas 13. Agrupación y agregación de datos (groupby) 14. Combinar datasets — merge, join y concat 15. Series temporales con Pandas 16. Tensores de PyTorch — la estructura central de deep learning 17. Autograd — diferenciación automática en PyTorch 18. Construir una red neuronal simple con PyTorch 19. DataLoaders — alimentar datos al proceso de entrenamiento 20. Mover cómputo entre CPU y GPU con PyTorch 21. Consumir APIs de LLM desde Python — el patrón básico 22. Programación asíncrona en Python para llamadas a APIs de IA 23. Manejo de reintentos y rate limits en clientes de API 24. Streaming de respuestas con Python 25. Validación de datos con Pydantic para aplicaciones de IA 26. Testing de código que involucra modelos de IA 27. Logging y debugging de pipelines de IA en Python 28. Empaquetar un proyecto de IA para distribución 29. Reproducibilidad — semillas aleatorias y determinismo 30. Proyecto final: pipeline de IA en Python completo listo para producción 📄 PDF completo

Seguridad

Falco en Producción ▶
01. Qué es Falco y detección de amenazas en runtime 02. Arquitectura de Falco — kernel module, eBPF, userspace 03. Instalación de Falco (Helm, DaemonSet) 04. Falco Rules — sintaxis y estructura 05. Falcosidekick — enrutamiento de eventos 06. Reglas por defecto de Falco — qué cubren 07. Escritura de reglas personalizadas 08. Macros y listas reutilizables 09. Condiciones y campos de eventos del kernel 10. Priority levels y su significado operativo 11. Detección de shells interactivas en contenedores 12. Detección de escritura en directorios sensibles 13. Detección de escalación de privilegios 14. Detección de exfiltración de datos 15. Detección de conexiones de red sospechosas 16. Falcosidekick hacia Slack/Teams 17. Integración con SIEM (Elasticsearch, Splunk) 18. Respuesta automática con Falco Talon 19. Integración con Kubernetes (kubectl exec detection) 20. Correlación con audit logs de Kubernetes 21. Tuning de reglas — reducción de falsos positivos 22. Rendimiento — overhead de Falco en producción 23. Gestión de reglas a escala (múltiples clusters) 24. Actualización de Falco sin downtime 25. Troubleshooting de reglas que no disparan 26. Falco y compliance (CIS Benchmarks, PCI-DSS) 27. Auditoría de eventos de Falco 28. Gestión de excepciones y whitelisting 29. Falco en entornos multi-tenant 30. Proyecto final: sistema de detección de amenazas runtime completo con Falco 📄 PDF completo
Trivy en Producción ▶
01. Qué es Trivy y qué tipos de escaneo soporta 02. Instalación de Trivy (CLI, servidor) 03. Trivy en modo standalone vs client/server 04. Bases de datos de vulnerabilidades (vuln-db) 05. Formatos de salida (JSON, SARIF, table) 06. Escaneo de imágenes Docker/OCI 07. Severidad de vulnerabilidades — filtrado 08. Escaneo de capas (layers) de una imagen 09. Ignorar vulnerabilidades específicas (.trivyignore) 10. Escaneo de imágenes distroless/scratch 11. Escaneo de sistemas de archivos (filesystem) 12. Escaneo de repositorios Git 13. Escaneo de IaC (Terraform, Kubernetes manifests) 14. Escaneo de dependencias de aplicación (SCA) 15. Escaneo de licencias de software 16. Integración con GitHub Actions 17. Integración con GitLab CI 18. Integración con Jenkins 19. Fail build por severidad — políticas de umbral 20. Trivy como admission controller en Kubernetes 21. Trivy Operator en Kubernetes 22. Escaneo continuo de imágenes en el cluster 23. Integración con Artifactory/registries privados 24. Caché de vulnerabilidades y rendimiento 25. Actualización de la base de datos en entornos air-gapped 26. SBOM (Software Bill of Materials) con Trivy 27. Firma y verificación de SBOM 28. Integración con políticas OPA/Gatekeeper 29. Reportes y dashboards de vulnerabilidades 30. Proyecto final: pipeline de seguridad completo con Trivy 📄 PDF completo
Kyverno en Producción ▶
01. Qué es Kyverno y comparación con OPA/Gatekeeper 02. Arquitectura de Kyverno — admission controller, background scanning 03. Instalación de Kyverno (Helm) 04. Tipos de políticas — validate, mutate, generate, verifyImages 05. ClusterPolicy vs Policy (namespaced) 06. Reglas de validación — sintaxis básica 07. Validación de labels y annotations obligatorios 08. Bloqueo de imágenes con tag 'latest' 09. Exigir resource limits en Pods 10. Validación con expresiones CEL 11. Políticas de mutación — inyección automática de configuración 12. Generación automática de recursos (NetworkPolicy por namespace) 13. Sincronización de recursos generados (generateExisting, sync) 14. Casos de uso de mutación — defaults seguros 15. Orden de ejecución — validate vs mutate vs generate 16. Verificación de firmas de imágenes (Cosign/Sigstore) 17. Verificación de SBOM y atestaciones 18. Políticas de Pod Security Standards con Kyverno 19. Bloqueo de registries no autorizados 20. Integración con Notation/Notary 21. Modos de política — Enforce vs Audit 22. Background scanning de recursos existentes 23. Exclusiones y excepciones (PolicyException) 24. Rendimiento del admission webhook 25. Reportes de políticas (PolicyReport) 26. Kyverno como reemplazo de OPA/Gatekeeper — migración 27. Gestión de políticas a escala (múltiples clusters con GitOps) 28. Testing de políticas antes de producción 29. RBAC y gobernanza de quién puede modificar políticas 30. Proyecto final: framework de políticas completo con Kyverno listo para producción 📄 PDF completo
Cert-manager en Producción ▶
01. Qué es cert-manager y qué problema resuelve 02. Arquitectura — CRDs, controller, webhook, cainjector 03. Instalación de cert-manager (Helm, manifiestos) 04. Issuers vs ClusterIssuers 05. El ciclo de vida de un certificado gestionado 06. Let's Encrypt — staging vs production 07. ACME protocol — cómo funciona la validación 08. HTTP-01 challenge 09. DNS-01 challenge 10. CA propia (self-signed / internal CA) 11. El recurso Certificate — definición y campos 12. Renovación automática de certificados 13. Certificados wildcard 14. SANs múltiples (Subject Alternative Names) 15. Integración con Ingress (annotations) 16. Integración con Istio/service mesh 17. Integración con cloud DNS providers (Route53, Cloud DNS, etc.) 18. Vault como Issuer 19. Trust Manager — distribución de CA bundles 20. Integración con External Secrets Operator 21. Rate limits de Let's Encrypt 22. Troubleshooting de certificados pendientes/fallidos 23. Monitoreo de expiración de certificados 24. Backup y recuperación de CA propia 25. Rotación de certificados a escala 26. RBAC para cert-manager 27. Políticas de aprobación de certificados (CertificateRequest approval) 28. Auditoría de emisión de certificados 29. Migración desde gestión manual de certificados 30. Proyecto final: PKI completa gestionada con cert-manager lista para producción 📄 PDF completo
Cilium en Producción ▶
01. Qué es Cilium y por qué eBPF para networking 02. Arquitectura de Cilium — agent, operator, datapath 03. Instalación de Cilium como CNI 04. Cilium vs otros CNIs (Calico, Flannel, AWS VPC CNI) 05. Componentes — Cilium Agent, Cilium Operator, Hubble 06. Identity-based networking en Cilium 07. Modos de encapsulación — VXLAN vs Direct routing (native routing) 08. IPAM en Cilium — modos de asignación de IP 09. kube-proxy replacement con eBPF 10. Cilium y IPv6 / dual-stack 11. CiliumNetworkPolicy — fundamentos 12. Políticas de capa 7 (HTTP, gRPC, Kafka) 13. DNS-based policies 14. Políticas basadas en identidad (labels) vs CIDR 15. Políticas de egress y control de salida 16. Arquitectura de Hubble — relay, UI 17. Hubble CLI — consultas de flujos de red en tiempo real 18. Hubble UI — visualización del tráfico del cluster 19. Métricas de red con Hubble (Prometheus) 20. Troubleshooting de conectividad con Hubble 21. Cluster Mesh — conectividad entre clusters 22. Load balancing con eBPF (XDP) 23. BGP con Cilium — anuncio de rutas 24. Egress Gateway — IP fija de salida 25. Bandwidth Manager — control de ancho de banda 26. Cilium y Service Mesh (Cilium Service Mesh completo) 27. Tetragon — seguridad runtime basada en eBPF de Cilium 28. Actualización de Cilium sin downtime 29. Rendimiento y tuning del datapath eBPF 30. Proyecto final: red de cluster completa con Cilium lista para producción 📄 PDF completo
Seguridad en IA ▶
01. Por qué la IA introduce una superficie de ataque distinta al software tradicional 02. OWASP Top 10 para aplicaciones LLM 03. Modelado de amenazas para sistemas de IA 04. El ciclo de vida de ML y dónde puede introducirse cada riesgo 05. Diferencia entre seguridad DEL modelo y seguridad CON el modelo 06. Prompt injection avanzado — directo vs indirecto 07. Jailbreaking — técnicas y por qué funcionan 08. Ataques adversariales sobre modelos de clasificación/visión 09. Data poisoning — envenenamiento de datos de entrenamiento 10. Ataques de evasión en producción 11. Model inversion — reconstruir datos de entrenamiento 12. Membership inference — saber si un dato se usó para entrenar 13. Model extraction — robo del modelo mediante consultas 14. Fuga de PII en respuestas generadas 15. Técnicas de privacidad diferencial en ML 16. Arquitectura de defensa en capas para aplicaciones LLM 17. Filtrado de entrada — sanitización de prompts 18. Filtrado de salida — validación de respuestas antes de entregarlas 19. Guardrails basados en clasificadores vs basados en reglas 20. Rate limiting y throttling como defensa 21. Seguridad de la cadena de suministro de modelos (model supply chain) 22. Riesgos de modelos y datasets de terceros no verificados 23. Escaneo de vulnerabilidades en dependencias de ML 24. Seguridad de API keys y credenciales de modelos 25. Aislamiento y sandboxing de cargas de trabajo de inferencia 26. Red teaming de sistemas de IA 27. Detección de abuso y uso malicioso en producción 28. Respuesta a incidentes de seguridad específicos de IA 29. Cumplimiento normativo de seguridad de IA (EU AI Act, marcos regulatorios) 30. Proyecto final: postura de seguridad de IA completa lista para producción 📄 PDF completo
Keycloak en Producción ▶
01. Qué es Keycloak y el problema de gestión de identidad que resuelve 02. Conceptos centrales: Realms, Clients, Users, Roles 03. OAuth2 y OpenID Connect — los protocolos detrás de Keycloak 04. Instalación de Keycloak en modo producción 05. Keycloak vs otras soluciones de IAM (Auth0, Okta, Cognito) 06. Creación y configuración de un Realm 07. Tipos de Clients — confidential vs public 08. Flujos de autenticación (Authorization Code, Client Credentials) 09. Configuración de redirect URIs y seguridad de clients 10. Client scopes y mappers 11. Gestión de usuarios — creación, atributos, credenciales 12. Roles — realm roles vs client roles 13. Grupos y herencia de roles 14. Federación de identidad — LDAP y Active Directory 15. Identity brokering — login con proveedores externos (Google, GitHub) 16. Access tokens, refresh tokens e ID tokens 17. Estructura de un JWT y cómo validarlo 18. Tiempo de vida de tokens y rotación 19. Token introspection y revocación 20. Fine-grained authorization — políticas y permisos 21. Proteger una API backend con Keycloak 22. Integración con aplicaciones frontend (SPA) 23. Adaptadores de Keycloak vs librerías estándar OIDC 24. Single Sign-On (SSO) entre múltiples aplicaciones 25. Single Logout (SLO) y gestión de sesiones 26. Alta disponibilidad de Keycloak — clustering 27. Keycloak en Kubernetes 28. Backup y disaster recovery de Keycloak 29. Monitoreo y auditoría de eventos de Keycloak 30. Proyecto final: plataforma de identidad con Keycloak lista para producción 📄 PDF completo

Orquestación

Kubernetes en Producción ▶
01. Introducción a RBAC 02. Roles y RoleBindings 03. ClusterRoles y ClusterRoleBindings 04. ServiceAccounts 05. Network Policies — fundamentos 06. Network Policies — reglas avanzadas 07. Resource Requests & Limits 08. Horizontal Pod Autoscaler (HPA) 09. Vertical Pod Autoscaler (VPA) 10. Pod Disruption Budgets 11. Node Affinity y Anti-Affinity 12. Taints y Tolerations 13. Ingress Controllers 14. Ingress con TLS y cert-manager 15. Service Mesh — introducción 16. DNS interno y CoreDNS 17. Load Balancing avanzado 18. Liveness y Readiness Probes avanzados 19. Logging centralizado 20. Métricas custom con Prometheus 21. Alerting con Alertmanager 22. Distributed Tracing 23. Introducción a GitOps 24. ArgoCD — instalación y sync 25. Estrategias de despliegue (Blue-Green, Canary) 26. Rollbacks y versionado 27. Backups con Velero 28. Disaster Recovery 29. Políticas de seguridad con Kyverno 30. Proyecto final: app completa en producción 📄 PDF completo
Nomad en Producción ▶
01. Qué es Nomad y en qué se diferencia de Kubernetes 02. Arquitectura de Nomad — servers y clients 03. Instalación de un cluster de Nomad 04. Job specification — el HCL de Nomad 05. Nomad UI y CLI — herramientas de operación 06. Tipos de jobs — service, batch, system, sysbatch 07. Task groups y tasks 08. Drivers de ejecución — Docker, exec, java, raw_exec 09. El scheduler de Nomad — bin packing y constraints 10. Actualizaciones de jobs — rolling updates y canary 11. Asignación de recursos — CPU, memoria, red 12. Autoscaling con el Nomad Autoscaler 13. Affinity y anti-affinity 14. Spread — distribuir tareas entre datacenters 15. Node pools y gestión de capacidad 16. Service discovery nativo de Nomad 17. Integración con Consul para service mesh 18. Nomad Connect — sidecar proxies 19. Port mapping y networking de tareas 20. Integración con balanceadores de carga externos 21. Federación multi-región en Nomad 22. Despliegues multi-cloud con Nomad 23. Namespaces en Nomad 24. Nomad vs Kubernetes — cuándo elegir cada uno 25. Migración de cargas desde Kubernetes hacia Nomad 26. Seguridad — ACLs en Nomad 27. Integración con Vault para gestión de secretos 28. Monitoreo de Nomad con Prometheus 29. Backup y disaster recovery de Nomad 30. Proyecto final: plataforma Nomad completa lista para producción 📄 PDF completo
Docker Swarm en Producción ▶
01. Qué es Docker Swarm y qué problema resuelve 02. Arquitectura de Swarm — managers y workers 03. Inicializar un swarm y unir nodos 04. Servicios frente a contenedores individuales 05. Swarm frente a Kubernetes — cuándo elegir cada uno 06. Servicios replicated y global 07. Rolling updates y rollback 08. Stacks y archivos Compose para Swarm 09. Restricciones de placement y preferencias 10. Health checks y auto-reparación 11. Redes overlay en Swarm 12. Ingress routing mesh 13. Service discovery y DNS interno — VIP y dnsrr 14. Redes overlay cifradas 15. Publicar puertos — modo ingress frente a modo host 16. Docker secrets 17. Docker configs 18. Rotación de secretos 19. Datos persistentes y volúmenes en Swarm 20. Almacenamiento compartido y plugins de volúmenes 21. Consenso Raft y quórum de managers 22. Cuántos managers desplegar 23. Drenar nodos y mantenimiento 24. Recuperación tras pérdida de quórum 25. Backup y restauración del estado del swarm 26. Seguridad del swarm — mTLS, rotación de certificados y autolock 27. Monitoreo de un swarm 28. Logging centralizado 29. CI/CD con Swarm 30. Proyecto final: plataforma Docker Swarm lista para producción 📄 PDF completo
OpenShift en Producción ▶
01. OpenShift vs Kubernetes — diferencias clave 02. oc CLI — fundamentos avanzados 03. Projects vs Namespaces 04. OpenShift Web Console 05. Instalación y arquitectura de un cluster OpenShift 06. Security Context Constraints (SCC) 07. RBAC en OpenShift 08. Multi-tenancy con Projects 09. Resource quotas y limit ranges 10. Node selectors y scheduling avanzado 11. Source-to-Image (S2I) 12. BuildConfigs y estrategias de build 13. ImageStreams 14. DeploymentConfigs vs Deployments 15. Triggers automáticos de build y deploy 16. Routes — exposición de servicios 17. Routes con TLS (edge, passthrough, reencrypt) 18. Operators y OperatorHub 19. Operator Lifecycle Manager (OLM) 20. Service Mesh en OpenShift (basado en Istio) 21. Pod Security en OpenShift 22. Compliance Operator 23. Escaneo de imágenes en OpenShift (integrado) 24. Gestión de secretos en OpenShift 25. Auditoría y logging centralizado 26. Autoscaling en OpenShift (HPA/VPA/Cluster Autoscaler) 27. Multi-cluster management con ACM 28. Backup y disaster recovery en OpenShift 29. Actualizaciones y ciclo de vida del cluster 30. Proyecto final: aplicación completa en OpenShift lista para producción 📄 PDF completo
Rancher en Producción ▶
01. Qué es Rancher y gestión multi-cluster 02. Arquitectura — management cluster, downstream clusters, agents 03. Instalación de Rancher (Helm, Docker) 04. RKE2 vs K3s vs clusters importados — qué gestiona Rancher 05. Rancher UI — dashboard y navegación 06. Creación de clusters con RKE2 desde Rancher 07. Importar clusters existentes (EKS, GKE, AKS) 08. Node pools y node templates 09. Actualización de versión de Kubernetes vía Rancher 10. Cluster Tools — monitoring, logging, alerting integrados 11. Rancher Authentication — Local, LDAP, SAML, OIDC 12. RBAC en Rancher — roles globales, de cluster, de proyecto 13. Projects — agrupación de namespaces 14. Pod Security en Rancher (PSA integration) 15. Cluster/Project Templates para estandarizar 16. Qué es Fleet y su relación con Rancher 17. GitRepo — despliegue declarativo desde Git 18. Fleet targets — seleccionar clusters por label 19. Bundles y BundleDeployments 20. Fleet vs ArgoCD/Flux — cuándo usar cada uno 21. Rancher App Catalog — Helm charts curados 22. Instalación de apps desde el catálogo 23. Repositorios de Helm personalizados en Rancher 24. Rancher Extensions — UI plugins 25. Backup y restore con Rancher Backup Operator 26. Alta disponibilidad de Rancher (HA install) 27. Actualización de Rancher sin downtime 28. Monitoreo de Rancher con Prometheus integrado 29. Troubleshooting de clusters downstream 30. Proyecto final: plataforma multi-cluster completa con Rancher lista para producción 📄 PDF completo
EKS en Producción ▶
01. Arquitectura de EKS — control plane gestionado 02. eksctl vs Terraform para crear clusters 03. Versionado y upgrades del control plane 04. Fargate vs EC2 como compute 05. Add-ons de EKS (VPC CNI, CoreDNS, kube-proxy) 06. VPC CNI y direccionamiento de IPs de Pods 07. Security Groups for Pods 08. Load Balancer Controller (ALB/NLB) 09. Ingress con AWS Load Balancer Controller 10. Multi-AZ y alta disponibilidad de red 11. IAM Roles for Service Accounts (IRSA) 12. Políticas IAM de menor privilegio para EKS 13. RBAC en EKS y aws-auth ConfigMap 14. Pod Security Standards en EKS 15. Secrets Manager y External Secrets Operator 16. Node Groups gestionados vs self-managed 17. Karpenter — autoscaling de nodos 18. Cluster Autoscaler vs Karpenter 19. Spot Instances en EKS 20. Taints, tolerations y node affinity en EKS 21. CloudWatch Container Insights 22. Prometheus/Grafana en EKS 23. Logging con Fluent Bit hacia CloudWatch/S3 24. Cost visibility con Kubecost 25. Optimización de costos en EKS 26. Backup con Velero y EBS snapshots 27. Disaster recovery multi-región con EKS 28. GitOps en EKS con ArgoCD/Flux 29. Compliance y auditoría en EKS (CloudTrail) 30. Proyecto final: cluster EKS completo listo para producción 📄 PDF completo
GKE en Producción ▶
01. GKE Autopilot vs Standard 02. gcloud CLI vs Terraform para crear clusters GKE 03. Versionado y release channels en GKE 04. Regional vs zonal clusters 05. Add-ons y GKE Enterprise (Fleet) 06. VPC-native networking (alias IP ranges) 07. Network Policies en GKE (Calico/Dataplane V2) 08. GKE Ingress y Google Cloud Load Balancing 09. Gateway API en GKE 10. Multi-zona y alta disponibilidad de red 11. Workload Identity en GKE 12. Políticas IAM de menor privilegio en GCP 13. GKE RBAC y Google Groups for RBAC 14. Binary Authorization 15. Secret Manager y Secrets Store CSI Driver en GKE 16. Node pools y machine types 17. Cluster Autoscaler en GKE 18. Spot VMs en GKE 19. Taints, tolerations y node affinity en GKE 20. GPU/TPU node pools 21. Google Cloud Managed Prometheus 22. Cloud Logging y Cloud Monitoring 23. Cloud Trace y observabilidad distribuida 24. Cost visibility con GCP Billing 25. Optimización de costos en GKE 26. Backup for GKE (nativo de Google) 27. Disaster recovery multi-región con GKE 28. GitOps en GKE con Config Sync/ArgoCD 29. Compliance y auditoría con Cloud Audit Logs 30. Proyecto final: cluster GKE completo listo para producción 📄 PDF completo
Azure en Producción ▶
01. Arquitectura de AKS — control plane gestionado 02. az CLI vs Terraform para crear clusters AKS 03. Versionado y upgrades del control plane en AKS 04. Virtual nodes con Azure Container Instances (ACI) 05. Add-ons de AKS (CNI, monitoring, etc.) 06. Azure CNI vs Kubenet 07. Network Security Groups y AKS 08. Application Gateway Ingress Controller (AGIC) 09. Azure Load Balancer y Ingress 10. Zonas de disponibilidad y alta disponibilidad de red 11. Azure AD (Entra ID) Workload Identity 12. Políticas RBAC de menor privilegio en Azure 13. Azure RBAC vs Kubernetes RBAC en AKS 14. Azure Policy para AKS 15. Azure Key Vault y Secrets Store CSI Driver 16. Node pools — system vs user 17. Cluster Autoscaler en AKS 18. Spot node pools en AKS 19. Taints, tolerations y node affinity en AKS 20. GPU node pools 21. Azure Monitor Container Insights 22. Prometheus/Grafana gestionado en AKS 23. Logging con Azure Monitor / Log Analytics 24. Cost Management + Azure Advisor para AKS 25. Optimización de costos en AKS 26. Backup con Velero y Azure Disk snapshots 27. Disaster recovery multi-región con AKS 28. GitOps en AKS con Flux (Azure Arc) 29. Compliance y auditoría con Azure Activity Log 30. Proyecto final: cluster AKS completo listo para producción 📄 PDF completo

Redes

Istio en Producción ▶
01. Qué es un service mesh y por qué Istio 02. Arquitectura de Istio — control plane y data plane 03. Instalación de Istio (istioctl, profiles) 04. Sidecar injection — automática vs manual 05. Istio Ambient Mesh vs Sidecar mode 06. VirtualService — enrutamiento de tráfico 07. DestinationRule — subsets y políticas 08. Gateway — entrada de tráfico al mesh 09. Canary releases con Istio 10. Circuit breaking y retries 11. mTLS automático entre servicios 12. PeerAuthentication — políticas de mTLS 13. AuthorizationPolicy — control de acceso 14. RequestAuthentication — JWT validation 15. Gestión de certificados con Istio CA 16. Métricas automáticas con Istio (Prometheus) 17. Distributed tracing con Istio 18. Kiali — visualización del mesh 19. Access logs de Envoy 20. Dashboards de Grafana para Istio 21. Timeouts y retries avanzados 22. Fault injection — chaos testing 23. Rate limiting con Istio 24. Multi-cluster mesh 25. Escalado del control plane (istiod) 26. Actualización de Istio sin downtime 27. Troubleshooting de sidecars y Envoy 28. Rendimiento — overhead del sidecar 29. Migración progresiva a Istio (brownfield) 30. Proyecto final: service mesh completo listo para producción 📄 PDF completo
Service Mesh en Producción ▶
01. Qué es un service mesh — conceptos generales 02. Cuándo SÍ necesitas un service mesh (y cuándo no) 03. Comparativa: Istio vs Linkerd vs Consul Connect vs Cilium 04. Sidecar-based vs sidecar-less (eBPF) — modelos arquitectónicos 05. Service Mesh Interface (SMI) — estandarización 06. Arquitectura de Linkerd — linkerd2-proxy (Rust) 07. Instalación y onboarding de Linkerd 08. mTLS automático en Linkerd 09. Traffic split y canary con Linkerd 10. Linkerd viz — observabilidad integrada 11. Arquitectura de Consul Connect 12. Consul Connect — service discovery multi-datacenter 13. Cilium Service Mesh — eBPF sin sidecar 14. Cilium — Network Policies avanzadas con eBPF 15. Comparativa de rendimiento: sidecar vs sidecar-less 16. Mesh y arquitectura de microservicios — buenas prácticas 17. API Gateway vs Service Mesh — dónde termina uno y empieza el otro 18. Service mesh y Kubernetes Gateway API 19. Zero-trust networking con service mesh 20. Mesh expansion — VMs fuera de Kubernetes 21. Migración entre implementaciones de service mesh 22. Mesh federation — múltiples meshes interconectados 23. Coexistencia de múltiples meshes en un mismo cluster 24. Adopción incremental — servicio por servicio 25. Evaluación de madurez de un mesh en producción 26. Costo total de propiedad (TCO) de un service mesh 27. Equipo y gobernanza de una plataforma de mesh 28. Señales de que tu mesh necesita rediseño 29. Roadmap de adopción de service mesh en una organización 30. Proyecto final: elegir y justificar la estrategia de service mesh para una organización 📄 PDF completo
Consul en Producción ▶
01. Qué es Consul y los problemas que resuelve (discovery, config, segmentation) 02. Arquitectura de Consul — servers y agents 03. El protocolo Gossip y Raft en Consul 04. Instalación de un cluster de Consul 05. Consul UI y CLI 06. Registro de servicios en el catálogo de Consul 07. Health checks — tipos y configuración 08. DNS interface de Consul 09. Consul Connect vs Consul API para descubrimiento 10. Multi-datacenter service discovery 11. El almacén clave-valor de Consul 12. Watches — reaccionar a cambios de configuración 13. Consul Template — generar archivos de configuración dinámicamente 14. Sesiones y locks distribuidos con Consul 15. Prepared queries 16. Qué es Consul Connect y el modelo de sidecar proxy 17. mTLS automático entre servicios 18. Intentions — autorización de servicio a servicio 19. Integración de Connect con Envoy 20. Connect en Kubernetes vs Connect en Nomad/VMs 21. WAN gossip y federación entre datacenters 22. Replicación de Consul KV entre datacenters 23. Mesh gateways para tráfico entre datacenters 24. Consul Enterprise vs Consul OSS — diferencias clave 25. Admin partitions y namespaces 26. ACLs de Consul — seguridad de acceso 27. Backup y disaster recovery de Consul 28. Monitoreo de Consul con Prometheus 29. Rendimiento y tuning de un cluster de Consul 30. Proyecto final: plataforma Consul completa lista para producción 📄 PDF completo
Flannel en Producción ▶
01. El problema de networking que resuelve Flannel en Kubernetes 02. Qué es CNI y dónde encaja Flannel 03. Modelo de red de Kubernetes — requisitos que Flannel debe cumplir 04. Arquitectura de Flannel — flanneld y el subnet lease 05. Flannel vs otros plugins CNI (Calico, Cilium, Weave) 06. Qué es una red overlay y por qué Flannel la usa 07. Backend VXLAN — el backend por defecto 08. Backend host-gw — rendimiento sin encapsulación 09. Backend UDP — el backend original (y por qué evitarlo) 10. Elegir el backend apropiado según el entorno 11. Instalación de Flannel en un cluster de Kubernetes 12. El ConfigMap de configuración de Flannel 13. Asignación de subredes por nodo 14. Integración de Flannel con etcd o el almacén de Kubernetes 15. Flannel con kubeadm — configuración típica 16. Cómo viaja un paquete entre Pods de distintos nodos con VXLAN 17. MTU y fragmentación de paquetes con overlay networking 18. Rutas y la tabla de rutas que Flannel configura 19. Flanneld — logs y diagnóstico del daemon 20. Interacción de Flannel con iptables y kube-proxy 21. Diagnóstico de conectividad Pod-a-Pod fallida con Flannel 22. Problemas comunes de MTU y su solución 23. Qué NO resuelve Flannel — ausencia de NetworkPolicy 24. Combinar Flannel con Calico solo para NetworkPolicy (Canal) 25. Limitaciones de escalabilidad de Flannel en clusters grandes 26. Seguridad de red con Flannel — qué cubre y qué no 27. Monitoreo de la red de Flannel 28. Migración desde Flannel hacia otro CNI 29. Cuándo Flannel es la elección correcta para producción 30. Proyecto final: red de cluster con Flannel lista para producción 📄 PDF completo
Calico ▶
01. Qué es Calico y su enfoque distintivo frente a otros CNI 02. Arquitectura de Calico — Felix, BIRD, Typha, confd 03. Enrutamiento nativo con BGP — sin overlay por defecto 04. IPAM de Calico — asignación de direcciones IP 05. Instalación de Calico en un cluster de Kubernetes 06. Qué es NetworkPolicy y el modelo deny-by-default 07. Selectors — namespaceSelector y podSelector 08. Reglas de ingress y egress 09. GlobalNetworkPolicy — políticas a nivel de cluster 10. Orden de evaluación y prioridad de políticas 11. Modo BGP puro vs IP-in-IP 12. VXLAN en Calico — cuándo se necesita 13. Cross-subnet networking 14. MTU en Calico 15. Calico con topologías de red complejas (on-prem, cloud) 16. Qué es eBPF y por qué Calico lo adoptó como dataplane alternativo 17. eBPF vs iptables — diferencias de rendimiento 18. DSR (Direct Server Return) con eBPF 19. Habilitar y migrar hacia el dataplane eBPF 20. Limitaciones del dataplane eBPF 21. Calico Enterprise/Calico Cloud vs Calico OSS 22. Application layer policy con Istio 23. Cifrado de datos en tránsito con WireGuard 24. DNS policy — restringir acceso por dominio 25. Federación de clusters con Calico 26. Troubleshooting de Calico — calicoctl y diagnóstico 27. Monitoreo de Calico con Prometheus 28. Rendimiento y escalabilidad de Calico en clusters grandes 29. Migración hacia Calico desde otro CNI 30. Proyecto final: red de cluster con Calico lista para producción 📄 PDF completo

Automatización

Ansible en Producción ▶
01. Estructura de proyectos Ansible en producción 02. Inventarios dinámicos 03. Variables y precedencia 04. Ansible Vault en profundidad 05. Collections — organización moderna de contenido 06. Roles reutilizables — buenas prácticas 07. Ansible Galaxy y gestión de dependencias 08. Templates Jinja2 avanzados 09. Handlers y notificaciones 10. Tags para ejecución selectiva 11. Idempotencia real — módulos vs shell/command 12. Manejo de errores: block/rescue/always 13. Estrategias de ejecución (linear, free, etc.) 14. Delegación de tareas (delegate_to) 15. Ansible Facts y gathering personalizado 16. Vault avanzado: múltiples passwords 17. Gestión de secretos externos (HashiCorp Vault) 18. Control de acceso y permisos (become) 19. Auditoría de ejecuciones (logging) 20. Hardening de servidores con Ansible 21. Ansible en paralelo a gran escala (forks, serial) 22. Rolling updates con Ansible 23. Ansible con contenedores (community.docker) 24. Ansible para Kubernetes (kubernetes.core) 25. Optimización de performance de playbooks 26. Testing de playbooks con Molecule 27. CI/CD para playbooks Ansible 28. Ansible Tower / AWX — introducción 29. Versionado y control de cambios de infraestructura 30. Proyecto final: automatización completa de un entorno de producción 📄 PDF completo
Python en Producción ▶
01. Type hints y mypy 02. Testing con pytest — fundamentos 03. Fixtures y mocking 04. Cobertura de tests y CI 05. Logging estructurado 06. Manejo de excepciones en producción 07. Context managers avanzados 08. Decoradores en producción 09. Dataclasses y Pydantic 10. Arquitectura en capas (services/repos) 11. Concurrencia con threading 12. Concurrencia con multiprocessing 13. Programación asíncrona con asyncio 14. async/await en la práctica 15. Rendimiento: profiling con cProfile 16. Construir una API con FastAPI 17. Validación de datos con Pydantic 18. Autenticación JWT en FastAPI 19. Rate limiting y throttling 20. Documentación automática de APIs (OpenAPI) 21. Empaquetado con pyproject.toml 22. Entornos virtuales y dependencias reproducibles 23. Dockerizar una app Python 24. Variables de entorno y configuración segura (12-factor) 25. CI/CD para proyectos Python 26. Logging centralizado y correlación de requests 27. Métricas con Prometheus client 28. Manejo de secretos (Vault, env vars seguras) 29. Seguridad: dependencias vulnerables (pip-audit) 30. Proyecto final: API Python lista para producción 📄 PDF completo
Terraform en Producción ▶
01. Estructura de proyectos Terraform en producción 02. Providers y versionado 03. Variables y tfvars por entorno 04. Outputs y data sources 05. Terraform workspaces 06. Remote state — fundamentos 07. State locking con DynamoDB/backend 08. Import de infraestructura existente 09. terraform state mv y refactorización 10. Drift detection 11. Módulos reutilizables — diseño 12. Registry de módulos (público y privado) 13. Composición de módulos 14. Versionado semántico de módulos 15. Testing de módulos con Terratest 16. Gestión de secretos (Vault provider, SOPS) 17. IAM y principio de menor privilegio en Terraform 18. Políticas con Sentinel/OPA 19. Escaneo de seguridad (tfsec, Checkov) 20. Protección contra destroy accidental 21. Terraform Cloud/Enterprise — introducción 22. CI/CD para Terraform (plan/apply automatizado) 23. Revisión de PRs con terraform plan output 24. Colaboración multi-equipo con workspaces 25. Rollback y recuperación ante errores de apply 26. Terraform a gran escala — múltiples estados 27. Optimización de performance (paralelismo, targeting) 28. Gestión de dependencias entre módulos/stacks 29. Documentación de infraestructura como código 30. Proyecto final: infraestructura completa gestionada con Terraform en producción 📄 PDF completo
Pulumi en Producción ▶
01. Qué es Pulumi y el enfoque de IaC con lenguajes reales 02. Arquitectura — engine, providers, state 03. Instalación y primer proyecto Pulumi 04. Pulumi vs Terraform — diferencias de enfoque 05. Lenguajes soportados — elegir el SDK adecuado 06. Recursos — declaración y ciclo de vida 07. Inputs y Outputs — el modelo asíncrono de Pulumi 08. Stacks — entornos múltiples de un mismo proyecto 09. Configuración y secretos por stack 10. Dependencias entre recursos — explícitas e implícitas 11. Component Resources — encapsular infraestructura reutilizable 12. ComponentResource vs recursos nativos del provider 13. Pulumi Packages — publicar componentes reutilizables 14. Programación real — loops, condicionales, funciones 15. Testing de infraestructura (unit tests con el SDK) 16. Pulumi Service backend — state gestionado 17. Self-managed backends — S3, Azure Blob, GCS 18. Locking de state y concurrencia 19. Import de recursos existentes 20. Refresh y detección de drift 21. Pulumi en pipelines de CI/CD 22. Pulumi Deployments — CI/CD gestionado nativo 23. Políticas con CrossGuard (Policy as Code) 24. Automation API — Pulumi programático 25. Preview y diff antes de aplicar cambios 26. Gestión de múltiples clouds con un solo proyecto 27. RBAC y equipos en Pulumi Service 28. Migración de Terraform a Pulumi 29. Rendimiento — paralelismo y optimización de despliegues grandes 30. Proyecto final: infraestructura completa con Pulumi lista para producción 📄 PDF completo
Kustomize en Producción ▶
01. Qué es Kustomize y el enfoque template-free 02. kustomization.yaml — estructura básica 03. Instalación y uso (kubectl -k, standalone binary) 04. Bases y overlays — el patrón fundamental 05. Kustomize vs Helm — cuándo usar cada uno 06. commonLabels y commonAnnotations 07. namePrefix y nameSuffix 08. namespace transformer 09. images — sobrescritura de tags de imagen 10. replicas — ajuste de réplicas por overlay 11. strategicMergePatch — fundamentos 12. JSONPatch (RFC 6902) — patches precisos 13. patchesStrategicMerge vs patches (sintaxis moderna) 14. Patches condicionales por target (labelSelector, annotationSelector) 15. Inline patches vs patches en archivos separados 16. ConfigMapGenerator — generación de ConfigMaps 17. SecretGenerator — generación de Secrets 18. Opciones de generadores — disableNameSuffixHash 19. Generadores desde archivos externos (envs, files) 20. Generadores personalizados (KRM functions) 21. Estructura de directorios recomendada (base/overlays) 22. Components — piezas reutilizables entre overlays 23. Remote bases — referenciar bases desde un repositorio Git 24. Composición de múltiples bases 25. Validación de manifiestos generados (kustomize build | kubectl apply --dry-run) 26. Kustomize con ArgoCD/Flux (GitOps) 27. Gestión de secretos con Kustomize (SOPS, Sealed Secrets) 28. Testing de overlays antes de aplicar 29. Migración de Helm a Kustomize (o combinación de ambos) 30. Proyecto final: estructura de despliegue multi-entorno completa con Kustomize lista para producción 📄 PDF completo
CI/CD en Producción ▶
01. Principios de CI/CD en producción 02. Pipeline as code — buenas prácticas 03. Trunk-based development y CI continuo 04. Feature flags y despliegue desacoplado de release 05. Gestión de artefactos (artifact repository) 06. GitHub Actions — workflows avanzados 07. Reusable workflows y composite actions 08. Matrix builds en GitHub Actions 09. Environments y protection rules en GitHub Actions 10. Self-hosted runners 11. Jenkins — Jenkinsfile declarativo avanzado 12. Jenkins shared libraries 13. Jenkins agents y distribución de carga 14. Jenkins pipelines paralelos 15. Migración de Jenkins a CI/CD moderno 16. Blue-Green deployments 17. Canary releases 18. Rolling deployments 19. Despliegues con feature flags avanzados 20. Rollback automatizado 21. Gestión de secretos en pipelines CI/CD 22. Escaneo de seguridad en el pipeline (SAST/DAST) 23. Firma y verificación de artefactos (supply chain security) 24. SBOM (Software Bill of Materials) 25. Least privilege en credenciales de CI/CD 26. Métricas DORA — deployment frequency, lead time, MTTR, change failure rate 27. Observabilidad de pipelines 28. Optimización de tiempos de build 29. Cultura de CI/CD y adopción en equipos 30. Proyecto final: pipeline CI/CD completo de nivel élite (DORA) 📄 PDF completo
Jenkins en Producción ▶
01. Arquitectura Jenkins — controller/agent 02. Instalación y configuración inicial de Jenkins 03. Jenkins Configuration as Code (JCasC) 04. Gestión de plugins — buenas prácticas 05. Actualización y ciclo de vida de Jenkins 06. Matrix-based security y roles 07. Credentials management en Jenkins 08. Integración con LDAP/SSO 09. Hardening de Jenkins (CSRF, script security) 10. Auditoría de acceso y cambios 11. Static agents vs dynamic agents 12. Jenkins Kubernetes Plugin — agentes efímeros 13. Docker agents en Jenkins 14. Escalado horizontal con múltiples controllers 15. Cloud agents (EC2, GCE plugin) 16. Shared libraries — testing y versionado 17. Pipeline input/approval steps 18. Post actions y notificaciones 19. Artifacts y stash/unstash entre stages 20. Blue Ocean y visualización de pipelines 21. Backup de Jenkins (JENKINS_HOME) 22. Disaster recovery y failover 23. Migración de Jenkins a nueva infraestructura 24. Monitoreo con Prometheus plugin 25. Troubleshooting de builds lentos o colgados 26. Integración con Artifactory/Nexus 27. Integración con Kubernetes para despliegues 28. Webhooks y triggers desde SCM 29. Gestión de secretos externos (Vault plugin) 30. Proyecto final: Jenkins completo listo para producción 📄 PDF completo
GitHub en Producción ▶
01. Organizaciones y equipos en GitHub 02. Repository visibility y transferencia de repos 03. CODEOWNERS y revisión obligatoria 04. Branch protection rules avanzadas 05. Repository rulesets 06. Dependabot — actualizaciones automáticas de dependencias 07. Secret scanning 08. Code scanning con CodeQL 09. Security advisories y GHSA 10. Auditoría con audit log 11. GitHub REST API — fundamentos 12. GitHub GraphQL API 13. GitHub Apps vs OAuth Apps vs Personal Access Tokens 14. Webhooks de GitHub 15. Bots y automatización con Probot/Octokit 16. GitHub Projects (beta/v2) 17. Issue templates y forms 18. Discussions 19. Milestones y releases 20. Changelog automatizado (release notes) 21. GitHub Packages — registry de paquetes 22. GitHub Container Registry (ghcr.io) 23. Releases y assets binarios 24. GitHub Pages en producción 25. GitHub como código: terraform-provider-github 26. GitHub Enterprise — diferencias clave 27. SSO y SAML en GitHub 28. Migración de repos (GitLab/Bitbucket a GitHub) 29. GitHub Copilot en equipos de producción 30. Proyecto final: gobernanza completa de una organización GitHub en producción 📄 PDF completo
Bitbucket en Producción ▶
01. Arquitectura de proyectos y repos en Bitbucket 02. Bitbucket Pipelines — introducción y bitbucket-pipelines.yml 03. Pipes reutilizables 04. Variables y secretos en Pipelines 05. Caching en Pipelines para builds más rápidos 06. Deployments y entornos en Pipelines 07. Pipelines paralelos y matrices de build 08. Artifacts entre steps 09. Triggers y condiciones de ejecución 10. Debugging de pipelines fallidos 11. Branching strategies (Gitflow, trunk-based) en Bitbucket 12. Branch permissions y reglas de protección 13. Pull requests — revisiones obligatorias 14. Merge strategies (squash, merge commit, fast-forward) 15. Resolución de conflictos en equipos grandes 16. Gestión de permisos por repositorio y workspace 17. SSH keys y app passwords 18. Secrets management en Bitbucket 19. Auditoría de accesos y actividad 20. Protección de ramas críticas (main/production) 21. Integración con Jira 22. Integración con Slack/Teams 23. Webhooks personalizados 24. Bitbucket + Kubernetes (despliegue automatizado) 25. Bitbucket + Terraform (IaC pipelines) 26. Gestión de repos a gran escala (múltiples equipos) 27. Code owners y revisión obligatoria por área 28. Métricas de pipeline y DORA metrics 29. Migración y mantenimiento de repos legacy 30. Proyecto final: pipeline completo de CI/CD en Bitbucket para producción 📄 PDF completo
ArgoCD en Producción ▶
01. Arquitectura de ArgoCD — componentes 02. Instalación y configuración inicial 03. Application CRD — fundamentos 04. Sync policies — manual vs automated 05. Sync waves y hooks 06. App of Apps pattern 07. ApplicationSets — generadores 08. Proyectos de ArgoCD (AppProject) 09. Gestión de Helm charts con ArgoCD 10. Kustomize con ArgoCD 11. RBAC en ArgoCD 12. SSO con Dex/OIDC 13. Gestión de secretos (Sealed Secrets, External Secrets) 14. Repository credentials y acceso a Git privado 15. Auditoría y logging de cambios 16. Gestión multi-cluster con ArgoCD 17. Cluster de control central vs distribuido 18. Alta disponibilidad de ArgoCD 19. Escalado del repo server 20. Namespace-scoped Argo CD instances 21. Argo Rollouts — Canary deployments 22. Argo Rollouts — Blue-Green deployments 23. Analysis templates y métricas automáticas 24. Notificaciones (Argo CD Notifications) 25. Dashboards y monitoreo con Prometheus 26. Drift detection y self-healing 27. Backup y disaster recovery de ArgoCD 28. Migración y actualización de ArgoCD 29. Integración con Vault/External Secrets Operator 30. Proyecto final: ArgoCD completo listo para producción 📄 PDF completo
Flux en Producción ▶
01. Qué es Flux y el modelo GitOps Toolkit 02. Arquitectura — controllers especializados (source, kustomize, helm, notification) 03. Instalación de Flux (flux bootstrap) 04. Flux CLI — comandos fundamentales 05. Flux vs ArgoCD — diferencias de enfoque 06. GitRepository — fuente desde Git 07. HelmRepository — fuente desde repositorios Helm 08. OCIRepository — fuente desde registries OCI 09. Bucket — fuente desde object storage 10. Autenticación de sources (SSH, tokens, credenciales) 11. Kustomization CRD — aplicar manifiestos desde un source 12. HelmRelease — gestión de Helm charts 13. Dependencias entre Kustomizations 14. Intervalos de reconciliación y drift detection 15. Health checks y readiness en Kustomizations 16. Patrón de repositorios — monorepo vs multi-repo 17. Estructura recomendada (clusters/, infrastructure/, apps/) 18. Multi-tenancy con Flux — tenants aislados 19. Promoción entre entornos (dev → staging → prod) 20. Flux y Kustomize — integración nativa 21. Image Reflector Controller — escaneo de nuevas versiones 22. Image Automation Controller — actualización automática de tags 23. Políticas de selección de imágenes (semver, alfabético) 24. Notification Controller — alertas hacia Slack/Teams 25. Webhooks — receivers para triggers externos 26. RBAC y seguridad en Flux 27. Troubleshooting de reconciliación fallida 28. Monitoreo de Flux con Prometheus/Grafana 29. Actualización de Flux sin downtime 30. Proyecto final: plataforma GitOps completa con Flux lista para producción 📄 PDF completo
Artifactory en Producción ▶
01. Arquitectura de Artifactory — local, remote, virtual repos 02. Instalación y topología (standalone vs HA cluster) 03. Tipos de repositorios soportados (Maven, npm, Docker, PyPI, etc.) 04. Artifactory REST API — fundamentos 05. Metadata y propiedades de artefactos 06. Repositorios locales — buenas prácticas 07. Repositorios remotos (proxy/cache) — configuración 08. Repositorios virtuales — agregación 09. Retention policies y cleanup automático 10. Promoción de artefactos entre repos (dev/staging/prod) 11. Control de acceso y permisos granulares 12. Grupos de usuarios y permission targets 13. Integración con LDAP/SSO 14. JFrog Xray — escaneo de vulnerabilidades 15. Políticas de seguridad y bloqueo de artefactos vulnerables 16. Integración con Jenkins (Artifactory plugin) 17. Integración con GitHub Actions/GitLab CI 18. Build Info y trazabilidad de builds 19. Docker registry en Artifactory 20. Publicación y consumo de paquetes (npm, Maven, PyPI) 21. Replicación push/pull entre instancias 22. Alta disponibilidad (HA) de Artifactory 23. Backup y disaster recovery 24. Migración de datos entre instancias 25. Monitoreo y métricas de Artifactory 26. Optimización de storage (filestore, S3 backend) 27. Federación de repositorios (Artifactory Federation) 28. Gestión de licencias y costos 29. Auditoría y compliance en Artifactory 30. Proyecto final: Artifactory completo listo para producción 📄 PDF completo

Observabilidad

Monitorización en Producción ▶
01. Arquitectura de Prometheus en producción 02. PromQL avanzado — funciones de agregación 03. Recording rules 04. Federación de Prometheus 05. Exporters personalizados 06. Grafana: variables de dashboard 07. Grafana: paneles avanzados (heatmaps, histogramas) 08. Grafana: alerting nativo 09. Dashboards como código (Grafonnet/JSON) 10. Grafana: permisos y organizaciones 11. Alertmanager: routing avanzado 12. Alertmanager: inhibición y silencios 13. Runbooks y respuesta a incidentes 14. On-call y escalado de alertas 15. Postmortems sin culpa (blameless) 16. Logging: Loki arquitectura 17. LogQL — consultas avanzadas 18. Retención y costos de logs 19. Correlación logs-métricas-trazas 20. Alertas basadas en logs 21. Tracing distribuido con Tempo 22. Instrumentación con OpenTelemetry 23. SLI: definir indicadores de nivel de servicio 24. SLO: definir objetivos y error budgets 25. Dashboards de SLO 26. Capacity planning con métricas históricas 27. Detección de anomalías 28. Costos de observabilidad (cardinalidad) 29. Auditoría y cumplimiento en monitoreo 30. Proyecto final: stack de observabilidad completo en producción 📄 PDF completo
Elasticsearch en Producción ▶
01. Arquitectura de Elasticsearch — nodes, shards, replicas 02. Cluster topology — master, data, ingest, coordinating nodes 03. Índices y mapping — fundamentos 04. Instalación y configuración inicial en producción 05. Sizing — cuántos shards y réplicas necesito 06. Mapping dinámico vs explícito 07. Tipos de datos y analyzers 08. Bulk API — indexación eficiente 09. Index lifecycle management (ILM) 10. Reindexación sin downtime 11. Query DSL — fundamentos 12. Full-text search vs term-level queries 13. Agregaciones — fundamentos 14. Relevancia y scoring (BM25) 15. Optimización de queries lentas 16. Autenticación y usuarios (X-Pack Security) 17. RBAC en Elasticsearch — roles e índices 18. TLS y cifrado en tránsito 19. Field-level y document-level security 20. Auditoría de acceso 21. Shard allocation y balanceo del cluster 22. Hot-warm-cold architecture 23. Snapshot y restore 24. Monitoreo con Elastic Stack (Kibana, Metricbeat) 25. Troubleshooting de cluster en estado yellow/red 26. Cross-cluster replication 27. Disaster recovery 28. Rolling upgrades sin downtime 29. Capacity planning y costos 30. Proyecto final: cluster Elasticsearch completo listo para producción 📄 PDF completo
Loki en Producción ▶
01. Qué es Loki y filosofía 'like Prometheus, but for logs' 02. Arquitectura de Loki — componentes 03. Loki monolithic vs simple scalable vs microservices mode 04. Instalación de Loki (Helm, single binary) 05. LogQL — fundamentos del lenguaje de consulta 06. Promtail — agente de recolección de logs 07. Labels — diseño de labels eficiente 08. Cardinalidad de labels — el error más común 09. Pipelines de Promtail — parsing y transformación 10. Alternativas a Promtail: Fluent Bit, Vector, Grafana Agent 11. Chunks e índices — cómo almacena Loki los datos 12. Backend de almacenamiento (S3, GCS, filesystem) 13. TSDB index — el índice moderno de Loki 14. Retención de logs y compactación 15. Costos de almacenamiento vs Elasticsearch 16. Filtros de línea (line filters) 17. Parsers en LogQL (json, logfmt, regexp) 18. Métricas desde logs con LogQL 19. Agregaciones y funciones de rango 20. Optimización de queries lentas en Loki 21. Escalado horizontal de Loki (simple scalable mode) 22. Multi-tenancy en Loki 23. Rate limiting y protección contra sobrecarga 24. Monitoreo del propio Loki (metamonitoring) 25. Troubleshooting de ingesta fallida 26. Integración con Grafana — exploración y dashboards 27. Alerting basado en logs (Loki Ruler) 28. Integración con Kubernetes (labels automáticos) 29. Migración desde Elasticsearch/ELK a Loki 30. Proyecto final: stack de logging completo con Loki listo para producción 📄 PDF completo
Grafana Alloy en Producción ▶
01. Qué es Grafana Alloy y su rol como colector unificado 02. Arquitectura de componentes — el modelo de pipeline de Alloy 03. Alloy configuration language (River/HCL-like syntax) 04. Instalación de Alloy (binario, Helm, Docker) 05. Alloy vs Grafana Agent vs OpenTelemetry Collector 06. Componentes prometheus.scrape y discovery 07. Relabeling en Alloy 08. Remote write hacia Prometheus/Mimir 09. Recolección de métricas de Kubernetes con Alloy 10. Componentes de procesamiento (prometheus.relabel, prometheus.remote_write) 11. Componentes loki.source — recolección de logs 12. Pipelines de procesamiento de logs (loki.process) 13. Envío de logs hacia Loki (loki.write) 14. Migración de configuración de Promtail a Alloy 15. Recolección de logs de Kubernetes con Alloy 16. Componentes OTel — otelcol.receiver, otelcol.processor 17. Recolección de trazas distribuidas con Alloy 18. Exportación hacia Tempo 19. Correlación de logs, métricas y trazas (LGTM stack) 20. Alloy como Collector OpenTelemetry nativo 21. Clustering de Alloy — modo distribuido 22. Escalado horizontal y balanceo de carga de recolección 23. Alta disponibilidad de Alloy 24. Monitoreo del propio Alloy (self-monitoring) 25. Troubleshooting de pipelines de Alloy 26. Gestión de secretos en configuración de Alloy 27. Despliegue de Alloy con GitOps 28. Migración completa desde stack legacy a Alloy 29. Rendimiento y tuning de componentes 30. Proyecto final: pipeline de observabilidad completo con Grafana Alloy 📄 PDF completo

Conviértete en DevOps Engineer

Ver los cursos
AWS Azure GCP Docker Kubernetes Terraform Ansible GitHub Rancher Kafka

Cursos

Empezamos por las bases. Cada curso está pensado para practicar.

{ py }
Disponible ahora

Python desde cero

Curso de fundamentos para dar tus primeros pasos en programación: variables, estructuras de control, funciones y clases — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 8 lecciones interactivas
Empezar el curso
⚙️
Disponible ahora

Ansible desde cero

Fundamentos de Ansible: arquitectura sin agentes, inventario, comandos ad-hoc, playbooks, variables y facts, handlers, roles y Ansible Vault — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 8 lecciones interactivas
Empezar el curso
🌍
Disponible ahora

Terraform desde cero

Fundamentos de Terraform: infraestructura como código, providers y recursos, variables y outputs, state, plan/apply, módulos y workspaces — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 8 lecciones interactivas
Empezar el curso
🐳
Disponible ahora

Docker desde cero

Fundamentos de Docker: contenedores, imágenes, Dockerfile, docker build, volúmenes, redes/puertos y Docker Compose — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 8 lecciones interactivas
Empezar el curso
$ _
Disponible ahora

Terminal & Linux básico

Fundamentos de la terminal: navegación, archivos, permisos, procesos, redirección, variables de entorno y usuarios — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 8 lecciones interactivas
Empezar el curso
{ k8s }
Disponible ahora

Kubernetes desde cero

Fundamentos de Kubernetes: Pods, kubectl, Deployments, Services, ConfigMaps, volúmenes, namespaces y manifiestos YAML — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 8 lecciones interactivas
Empezar el curso
{ git }
Disponible ahora

GitHub desde cero

Fundamentos de Git y GitHub: commits, branches, merge, pull requests, .gitignore y comandos avanzados — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 9 lecciones interactivas
Empezar el curso
↻
Disponible ahora

CI/CD desde cero

Integración y entrega continua: GitHub Actions, Jenkins, Jenkinsfile, build y test automatizado, deploy automático y buenas prácticas — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 9 lecciones interactivas
Empezar el curso
◉
Disponible ahora

Monitoreo y Observabilidad desde cero

Prometheus, PromQL, exporters, Grafana, paneles, alertas y logs — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 9 lecciones interactivas
Empezar el curso
{ aws }
Disponible ahora

AWS desde cero

IAM, EC2, S3, VPC, Security Groups, RDS y CloudWatch — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 9 lecciones interactivas
Empezar el curso
{ az }
Disponible ahora

Azure desde cero

Azure AD, Máquinas Virtuales, Storage, VNet, Network Security Groups, Azure SQL y Azure Monitor — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 9 lecciones interactivas
Empezar el curso
{ gcp }
Disponible ahora

Google Cloud desde cero

IAM, Compute Engine, Cloud Storage, VPC, Firewall rules, Cloud SQL y Cloud Monitoring — con ejercicios prácticos en cada lección.

▸ Nivel: Principiante ▸ 9 lecciones interactivas
Empezar el curso