AMAT

PySpark es para cuando los datos ya no se pueden trabajar como archivo pesado, reporte lento o script aislado.

Sirve para procesar grandes volúmenes de información, transformar datos con Spark SQL, preparar bases para modelos, optimizar flujos y construir procesos que puedan sostenerse a escala.

Por eso es una herramienta clave en equipos de datos, analítica, ingeniería, IA y operaciones enterprise: no solo ayuda a analizar información, ayuda a moverla, ordenarla y convertirla en procesos reales.

En nuestro Introducción al Big Data con PySpark, aprenderás a trabajar con lógica distribuida desde Python y Apache Spark, con una ruta práctica para entender qué pasa cuando el dato crece y una sola máquina ya no alcanza.

🗓Iniciamos 5 | 09 | 2026
💻Modalidad online en vivo
🔗 Inscripciones: https://www.amat.mx/courses-1/procesamiento-de-datos-a-gran-escala-con-pyspark

𝑨𝒍𝒂𝒏 𝑻𝒖𝒓𝒊𝒏𝒈
Nació el 23 de junio de 1912 en Maida Vale, Londres, en una Inglaterra que todavía no sabía que el siglo XX iba a necesitar matemáticos capaces de pensar como relojeros, espías y herejes al mismo tiempo.

Su historia no empieza con una máquina brillante ni con un laboratorio lleno de cables. Empieza con una pregunta seca, casi cruel: ¿qué puede calcularse realmente?
En 1936, Turing publicó On Computable Numbers, el texto donde imaginó una máquina abstracta capaz de leer símbolos, seguir instrucciones y ejecutar operaciones paso a paso. No era una computadora física. Era peor: era la idea desnuda de una computadora antes de que el mundo tuviera muebles suficientes para poner una encima.

A esa criatura mental hoy la llamamos máquina de Turing. Con ella, el cálculo dejó de ser solo una tarea humana y se convirtió en un territorio matemático: lo computable, lo no computable, lo que una máquina puede perseguir y lo que ninguna cantidad de cables, memoria o velocidad podrá resolver si el problema está fuera de lo computable.

Pero reducir a Turing a “el padre de la computadora” sería cómodo y peligroso. La historia real tiene más gente en la sala. Alonzo Church trabajó de forma independiente en la computabilidad. Los matemáticos polacos Marian Rejewski, Jerzy Różycki y Henryk Zygalski abrieron camino contra Enigma antes de Bletchley Park. Gordon Welchman fue crucial en la mejora de la Bombe británica. La ruptura de Enigma no fue obra de un genio encerrado en una habitación: fue una red de cerebros, máquinas, intuiciones y noches bastante mal dormidas.

Turing fue una pieza decisiva de esa red. En Bletchley Park ayudó a atacar los mensajes cifrados de Enigma, no con magia, sino con una mezcla de lógica, probabilidad, ingeniería y paciencia feroz. Después diseñó ideas para computadoras de propósito general, como la ACE. En 1950 se metió con otra bestia: la inteligencia artificial. En lugar de discutir eternamente qué significa “pensar”, propuso observar si una máquina podía sostener un intercambio escrito difícil de distinguir del humano. De ahí salió el famoso juego de imitación.

Y cuando parecía que su territorio era solo el cálculo, volteó hacia la biología. En 1952 publicó un trabajo sobre morfogénesis: cómo ciertos patrones naturales —manchas, rayas, formas— podían surgir de interacciones químicas. Turing miró la piel de la naturaleza como si también escondiera una gramática.

Hay detalles que lo vuelven todavía más humano: encadenaba su taza para que no se la robaran, pedaleaba con máscara antigás para protegerse de la alergia y trabajó en Delilah, un proyecto secreto de cifrado de voz. Un hombre capaz de pensar el futuro digital y, al mismo tiempo, pelearse con problemas muy terrestres. La genialidad también tiene alergias, manías y pequeños rituales de supervivencia.

Su vida terminó marcada por una injusticia brutal. En 1952 fue condenado por su homosexualidad bajo las leyes británicas de la época. El Estado que se benefició de su inteligencia terminó castigando su existencia. Recibió un perdón póstumo hasta 2013. Tarde, como suelen llegar las disculpas cuando la historia ya hizo daño.

Turing importa porque ayudó a darle forma a una de las preguntas centrales de nuestro tiempo: qué puede hacer una máquina cuando el pensamiento se vuelve instrucción. Sin él, la computación habría avanzado, sí; la historia rara vez depende de una sola persona. Pero habría perdido una de sus imágenes más limpias, una de sus mentes más incómodas y una de sus brújulas más precisas.

Alan Turing no pertenece solo a la historia de las computadoras. Pertenece a esa zona donde la matemática deja de ser papel y empieza a modificar la realidad. Su vida recuerda algo que conviene no olvidar: a veces el futuro no llega con ruido de revolución, sino con alguien sentado frente a una idea imposible, preguntándose hasta dónde puede obedecer una máquina.

En Introducción al Big Data con PySpark aprenderás a usar Python con Apache Spark para procesar datos que ya no dependen de una sola máquina.

¿Qué vas a trabajar?

// DataFrames y Spark SQL
Para transformar, consultar, limpiar y estructurar datos a escala.

// RDDs y ejecución distribuida
Para entender cómo Spark reparte el trabajo y procesa información en paralelo.

// Lectura y escritura de datos
CSV, JSON, Parquet, ORC y esquemas para flujos más profesionales.

// Transformaciones avanzadas y UDFs
Para trabajar datos complejos sin perder rendimiento.

// Machine Learning con MLlib
Pipelines, entrenamiento, evaluación y preparación de datos para modelos.

// GenAI aplicada a datos
Embeddings, búsqueda semántica, inferencia batch y control de costos.

// Optimización y troubleshooting
Shuffles, joins, cache, Spark UI y decisiones de rendimiento justificables.

// Structured Streaming
Para procesar datos en movimiento con ventanas, checkpoints y agregaciones.

PySpark no es “otro curso de Python”.
Es aprender a procesar datos grandes con lógica distribuida.

🗓 Iniciamos 5 | 09 | 2026
💻 Modalidad online en vivo.
🔗 Inscripciones abiertas: https://www.amat.mx/courses-1/procesamiento-de-datos-a-gran-escala-con-pyspark

𝑯𝒆𝒓𝒎𝒂𝒏𝒏 𝑴𝒊𝒏𝒌𝒐𝒘𝒔𝒌𝒊
Nació el 22 de junio de 1864 en Aleksotas, una zona que entonces pertenecía al Imperio ruso y hoy forma parte de Kaunas, Lituania. Llegó al mundo lejos del ruido de los grandes mitos científicos, pero terminó dándole a la física una de sus imágenes más poderosas: la idea de que el espacio y el tiempo no caminan separados.

Antes de Minkowski, la geometría parecía ocuparse de figuras, distancias, superficies, formas. El tiempo quedaba en otro cajón, como ese invitado incómodo que todos usan, pero nadie quiere sentar en la mesa principal. La física medía movimiento, velocidades, relojes, posiciones. Cada cosa en su casilla. Muy ordenado. Demasiado cómodo.

Antes de entrar al espacio-tiempo, Minkowski ya había abierto otra zona de combate: la teoría de números. Creó y sistematizó la geometría de los números, una forma de perseguir problemas aritméticos usando retículas, puntos y cuerpos convexos. Donde otros veían números dispersos, él vio paisajes. Donde parecía haber cálculo frío, encontró territorio. Esa fue una de sus grandes marcas: convertir lo abstracto en espacio habitable para la mente.

Pero su nombre quedó tatuado en la historia por otro golpe.

En 1905, Einstein formuló la relatividad especial. No fue un truco de laboratorio ni una frase bonita sobre “todo es relativo”; fue una reconstrucción severa de cómo se relacionan espacio, tiempo, movimiento y observadores. Antes de Einstein ya estaban Lorentz y Poincaré empujando piezas esenciales. La historia real no cabe en un pedestal de un solo nombre, por mucho que al marketing le encanten los santos científicos.

Minkowski leyó esa revolución y entendió algo que pocos habían visto con esa nitidez: la relatividad no solo pedía nuevas ecuaciones; pedía una nueva geometría.

En 1908, durante su conferencia “Espacio y tiempo”, propuso mirar el universo como una estructura de cuatro dimensiones: tres espaciales y una temporal. Un evento ya no era solo “algo que ocurre en algún lugar”; era algo que ocurre en un lugar y en un instante, dentro de una misma arquitectura. Nacía así el lenguaje del espacio-tiempo de Minkowski.

Su formulación sonó casi como una sentencia: espacio por sí solo y tiempo por sí solo debían desvanecerse como sombras; solo su unión conservaría independencia.

Pocas veces una idea matemática ha tenido tanta elegancia y tanta insolencia. Porque, en el fondo, Minkowski le quitó al tiempo su aire de monarca intocable. Lo bajó del trono metafísico y lo incorporó a una arquitectura geométrica junto con las tres coordenadas espaciales. Muy humillante para el tiempo, muy útil para la física.

A partir de esa mirada, los objetos ya no solo “se mueven”: trazan líneas de mundo. La historia de una partícula, de un cuerpo, de un rayo de luz, puede pensarse como una trayectoria dentro del espacio-tiempo. No es poesía decorativa; es una forma precisa de organizar la realidad.

Su aportación no reemplazó a Einstein ni inventó la relatividad desde cero. Eso sería falso. Lo que hizo fue darle una forma geométrica tan potente que la teoría dejó de parecer una colección de transformaciones entre observadores y empezó a verse como una estructura profunda del universo.

Ese cambio fue decisivo. Sin Minkowski, la relatividad especial habría existido, pero quizá habría tardado más en adquirir esa claridad visual y conceptual que después preparó el terreno para la física geométrica del siglo XX. La relatividad general no es “obra de Minkowski”; su espacio-tiempo plano no la explica, pero preparó una forma de pensar donde la geometría podía entrar al corazón de la física.

Hay un dato casi cruel: Minkowski murió en 1909, con apenas 44 años, por una apendicitis rota. Se fue demasiado pronto, como si la historia hubiera decidido cobrarle prisa a quien acababa de comprimir espacio y tiempo en una sola idea.

También fue profesor de Einstein en Zúrich. La ironía tiene buena letra: el maestro terminó dando forma geométrica a la teoría del antiguo alumno. La ciencia avanza así, con genealogías raras, egos atravesados y verdades que no piden permiso para cambiar de dueño conceptual.

Minkowski no volvió más simple el universo. Lo volvió más honesto.

Nos obligó a aceptar que medir la realidad no consiste en acomodarla a nuestra intuición, sino en corregir la intuición cuando se queda vieja. El espacio y el tiempo parecían absolutos porque nuestra vida cotidiana es demasiado lenta para notar la grieta. La matemática, cuando es profunda, tiene esa descortesía: revela que el sentido común a veces solo es una costumbre con buena reputación.

Hoy, cada vez que la física habla de eventos, trayectorias, intervalos y espacio-tiempo, la sombra de Minkowski sigue ahí: no como nota al margen, sino como estructura.

Porque algunas ideas no cambian el mundo haciendo más ruido, lo cambian cambiando el lugar desde donde lo miramos.

Un modelo predictivo no falla únicamente por el algoritmo.

Falla cuando los datos llegan sucios.
Falla cuando las variables no explican nada.
Falla cuando se entrena sin separar bien la muestra.
Falla cuando nadie compara métricas antes de tomar decisiones.

En Ciencia de datos y Machine Learning: IA: Aprendizaje Supervisado con R y Python, construyes el flujo completo: desde la comprensión del problema y la preparación de datos, hasta el entrenamiento, evaluación y comparación de modelos supervisados.

Trabajarás con herramientas clave como R, Python, Positron, Tidymodels y Scikit-learn, además de modelos como regresión lineal, regresión logística, KNN, árboles de decisión y Random Forest.

Porque en análisis predictivo, el valor no está en correr modelos.
Está en saber cuándo confiar en ellos.

La ruta de la Society of Actuaries (SoA) ordena la formación actuarial alrededor de exámenes internacionales que evalúan probabilidad, matemáticas financieras, fundamentos actuariales, modelación del riesgo y análisis predictivo.

Cada examen mide una parte distinta del perfil actuarial: desde la lectura de la incertidumbre hasta la toma de decisiones con impacto financiero.

En AMAT contamos con cursos de preparación online en vivo para exámenes SoA:
Exam P | FM | FAM | SRM
🔗 https://www.amat.mx/cusos-soa

Una formación estructurada para avanzar con claridad, práctica y dominio técnico.

¿Estás preparando tu ruta SoA?
Escríbenos y te orientamos según el examen que quieres presentar.

𝑳𝒐𝒔 𝒏𝒖́𝒎𝒆𝒓𝒐𝒔 𝒑𝒓𝒊𝒎𝒐𝒔 𝒔𝒊𝒆𝒎𝒑𝒓𝒆 𝒕𝒖𝒗𝒊𝒆𝒓𝒐𝒏 𝒇𝒂𝒎𝒂 𝒅𝒆 𝒊𝒏𝒅𝒐𝒎𝒂𝒃𝒍𝒆𝒔.

Aparecen entre los enteros con una mezcla extraña de disciplina y capricho: al principio se dejan ver con relativa frecuencia, luego empiezan a espaciarse, a esconderse, a volver cuando quieren. Euclides había demostrado desde la Antigüedad que eran infinitos, pero eso no resolvía la pregunta más inquietante: ¿siguen algún orden reconocible o solo parecen dispersarse sin una regla visible?

Durante mucho tiempo, esa fue una de las obsesiones más elegantes de la matemática.

La historia del Teorema de los números primos no lleva una sola firma. Gauss, siendo muy joven, intuyó que detrás de esa aparente rebeldía había una regularidad profunda. Legendre publicó una de las primeras aproximaciones formales al conteo de primos. Más tarde, Chebyshev añadió rigor donde todavía había conjetura, y Riemann abrió una ruta decisiva al conectar la distribución de los primos con una de las funciones más influyentes de toda la matemática moderna.

La prueba definitiva llegó en 1896, de manera independiente, con Jacques Hadamard y Charles-Jean de la Vallée Poussin. Lo que demostraron cambió por completo la conversación: los números primos no aparecen de manera uniforme. A medida que los números crecen, los primos se vuelven más escasos, pero esa escasez sigue una ley asintótica precisa.

Ese hallazgo fue enorme.

No porque permitiera adivinar el siguiente número primo como quien saca un conejo del sombrero, sino porque logró algo más valioso: entender el comportamiento colectivo de los primos. La aritmética dejó de mirar casos aislados y empezó a reconocer una estructura de fondo. Donde antes había una secuencia áspera, llena de huecos y sobresaltos, apareció una forma de medir su ritmo.

Y ese cambio no se quedó encerrado en una vitrina académica. El teorema se volvió una pieza fundamental para la teoría de números y también forma parte del paisaje matemático que permite entender la abundancia de primos grandes, un punto clave en áreas como la criptografía moderna.

La historia, además, tiene un detalle delicioso: Gauss había visto la silueta del teorema desde muy temprano, pero no la publicó. Riemann encendió una de las antorchas más poderosas del camino, aunque no cerró la demostración. Y décadas después, cuando el teorema ya estaba probado, Erdős y Selberg consiguieron una prueba llamada “elemental”, uno de esos chistes privados de las matemáticas donde la palabra “elemental” suele traer trabajo, no consuelo.

El Teorema de los números primos no volvió dóciles a los primos. Siguen siendo esquivos, orgullosos, difíciles de predecir uno por uno. Lo que hizo fue enseñarnos a mirarlos de otra manera: no como piezas sueltas de un rompecabezas imposible, sino como una multitud que, vista desde la distancia correcta, revela su propia cadencia.

A veces el orden no está en cada paso. Está en el dibujo que aparece cuando dejamos de perseguir excepciones y aprendemos a leer el conjunto.

Valuar un bono no es memorizar una fórmula: es entender qué flujos estás trayendo al presente.

Cuando el precio se calcula en fecha de emisión o justo en una fecha de pago de cupón, el bono puede descomponerse de distintas formas equivalentes:

el valor presente de los cupones pendientes, el valor presente del monto de redención o la diferencia entre venderlo a la par, con premio o con descuento.

La fórmula básica, la fórmula de premio/descuento y la fórmula de Makeham no compiten entre sí. Son tres maneras de leer la misma estructura financiera desde ángulos distintos.

Ahí está el punto fino: el precio cambia según la relación entre la tasa cupón y la tasa de rendimiento exigida por el mercado.

Si la tasa cupón es mayor que el rendimiento, el bono se vende con premio.
Si es menor, se vende con descuento.
Si coinciden, el bono se valúa a la par.

En finanzas actuariales, el precio de un bono no se adivina: se construye flujo por flujo, tasa por tasa, periodo por periodo.

𝑯𝒆𝒍𝒆𝒏𝒂 𝑹𝒂𝒔𝒊𝒐𝒘𝒂
Nació el 20 de junio de 1917 en Viena, pero su vida intelectual quedó marcada por Varsovia: una ciudad capaz de convertir una biblioteca en trinchera y una clase de lógica en acto de resistencia.

Entró a la Universidad de Varsovia en 1938. Un año después, la guerra cerró las aulas oficiales, pero no cerró el pensamiento. Rasiowa siguió estudiando en la universidad clandestina, bajo ocupación n**i, cuando aprender matemáticas podía ser bastante más peligroso que reprobar un examen. Su primera tesis de maestría se perdió durante la destrucción de Varsovia en 1944. Ella sobrevivió con su madre en un sótano, bajo los escombros. La lógica, en su caso, no salió de una torre de marfil: salió de una ciudad rota que todavía exigía precisión.

Su campo fue la lógica algebraica. Conviene decirlo con cuidado: Rasiowa no “inventó” la lógica matemática ni descubrió sola la lógica algebraica. Esa historia venía de muchos nombres antes que ella. Su fuerza estuvo en otra parte: tomó sistemas lógicos —clásicos y no clásicos— y los estudió con herramientas algebraicas, como si cada lógica escondiera una estructura interna esperando ser leída con otra gramática.

Junto con Roman Sikorski, publicó trabajos fundamentales sobre completitud, satisfacibilidad y metamatemática. En 1963, ambos dieron forma a una obra mayor: The Mathematics of Metamathematics. El título parece seco, casi diseñado para espantar turistas intelectuales, pero el golpe era enorme: mostrar que la metamatemática podía tratarse con maquinaria matemática profunda, no solo con símbolos alineados como soldados.

Rasiowa también abrió camino en lógicas no clásicas. En 1974 publicó An Algebraic Approach to Non-Classical Logics, una obra clave para entender cómo se pueden estudiar lógicas intuicionistas, multivaluadas y otros sistemas que no obedecen dócilmente a la lógica clásica. Más tarde llevó ese pensamiento hacia la informática teórica, la lógica de programas, el razonamiento aproximado y el trabajo con información incompleta.

Ese último punto importa más de lo que parece. La vida real rara vez entrega datos limpios, completos y educados. Los sistemas razonan con ruido, vacíos, incertidumbre y aproximaciones. Rasiowa ayudó a construir parte del lenguaje formal para pensar ese territorio sin convertirlo en pura intuición.

También ayudó a fundar y dirigió Fundamenta Informaticae, fue editora de Studia Logica y formó una escuela académica alrededor de lógica, álgebra e informática. No fue solo autora de teoremas: ayudó a construir el lugar donde esos teoremas podían crecer.

Sin Helena Rasiowa, la lógica algebraica no habría desaparecido: venía de una tradición amplia. Pero su ausencia habría debilitado una ruta decisiva: la que conectó sistemas lógicos, estructuras algebraicas, computación y razonamiento bajo información incompleta.

Su historia recuerda algo incómodo y hermoso: pensar con rigor no siempre significa alejarse del mundo. A veces significa atravesar sus ruinas con una idea tan exacta que ni la guerra logra volverla silencio.