Apache Airflow: Orquesta tus Pipelines de Datos paso a paso

Entiende cómo usar la interfaz de Airflow para visualizar y controlar DAGs

Qué es un DAG, cómo se define, por qué es acíclico, y cómo se relaciona con las tareas. Esta lección es la columna vertebral conceptual del curso.

Aprende a activar y observar la ejecución de un DAG. Comprender el flujo de estados: queued → running → success/failed y detecta errores comunes al ejecutar un DAG por primera vez.

Conoce a fondo las vistas alternativas que ofrece la UI de Airflow. Detecta cuellos de botella y patrones de ejecución.

Aprende qué es una task en airflow, como se define en python y como usar distintos operadores para ejecutar tareas simples que escalen

Aprende cómo definir dependencias entre Tasks, cómo encadenar múltiples tareas y cómo visualizar correctamente el orden en la interfaz gráfica.

Configura y entiende un DAG de principio a fin, con todas sus piezas encajadas:

Entiende que es un asset en airflow y como los dags pueden usarlos

Comprende el papel crítico del executor en Airflow, qué tipos existen, cómo funciona internamente y cuándo deberías preocuparte por cambiarlo.

Comprende qué son las colas en Airflow y cómo se utilizan para distribuir tareas. Aprender a configurar la concurrencia a nivel global, de DAG y de tarea. Conocer cómo estas configuraciones afectan la ejecución y el rendimiento de los flujos de trabajo.

Qué son los TaskGroups, cómo y cuándo usarlos, y un ejemplo completo con código

Entiende cómo funcionan los Trigger Rules en Apache Airflow y cómo personalizar la lógica de ejecución de tareas.

Aplica correctamente los triggers en diferentes escenarios

Construye un DAG que llame a una API pública, transforme los datos crudos y los almacene en disco o base de datos simulada

Orquesta pipelines multietapa usando datasets. Simula un proceso ETL real dividido en múltiples DAGs y comprende cómo un DAG puede desencadenar otro automáticamente gracias a la existencia de un asset actualizado.

Aprende cómo orquestar un pipeline de machine learning básico en Airflow, usando datos embebidos (CSV dentro del proyecto) y tareas simples para la carga de datos, preprocesado, entrenamiento y guardado del modelo