Crear
Descargar
Obtener Plan Académico
Compartir juego
Intégralo en tu plataforma

Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.
Descargar
Has superado el número máximo de juegos que puedes integrar en Google Classroom con tu Plan actual.

Para integrar tantos juegos como quieras en Google Classroom, necesitas un Plan Académico o un Plan Comercial.

Has superado el número máximo de juegos que puedes integrar en Microsoft Teams con tu Plan actual.

Para integrar tantos juegos como quieras en Microsoft Teams, necesitas un Plan Académico o un Plan Comercial.

La descarga de juegos es una característica exclusiva para usuarios con un Plan Académico o un Plan Comercial.

Obtén ahora tu Plan Académico o Comercial y comienza a integrar tus juegos en tu LMS, web o blog.

Si lo deseas, puedes descargar un juego de prueba aquí y probar su integración:

SPARK - LRBA 1

Test

(4)
Jugadas 44 %Acierto 70 Tiempo medio 07:22

Sobre esta actividad

Introducción a Apache Spark

Creada por

México

Descarga la versión para jugar en papel

Crea tu propio juego gratis desde nuestro creador de juegos
Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Top juegos

%
Anónimo
Anónimo
%
%
%
Has superado el número máximo de juegos que puedes imprimir con tu Plan actual.

Para imprimir tantos juegos como quieras, necesitas un Plan Académico o un Plan Comercial.

Imprime tu juego
SPARK - LRBA 1
 

SPARK - LRBA 1Versión en línea

Introducción a Apache Spark

por HR Mexico
1

¿Cuál es la diferencia principal entre transformaciones y acciones en RDD?

2

En Spark, ¿qué optimizador maneja DataFrames/SQL?

3

¿Qué StorageLevel usa memoria y disco serializado?

4

En Structured Streaming, ¿qué maneja late data?

5

¿Cuál evita shuffle en groupByKey?

6

¿Feature de Spark 3.0+ para skew?

7

¿API unificada post-Spark 2.0?

8

En arquitectura, ¿coordina tasks?

9

¿Para joins pequeños en DataFrames?

10

¿Fault-tolerance vía?

11

¿Modo output para agregaciones streaming completas?

12

¿Tamaño ideal partición?

13

¿Wide dependency genera?

14

En Netflix, Spark reemplaza?

15

¿Off-heap memory?

16

¿Para ML pipelines?

17

¿Dynamic allocation requiere?

18

En Uber, Spark procesa?

19

¿Whole-stage codegen?

20

¿Cluster manager en cloud?

Explicación

Transformaciones construyen DAG lazy; acciones materializan cómputo.

Catalyst aplica rule/cost-based optimizaciones pre-ejecución.

MEMORY_AND_DISK_SER serializa para ahorrar memoria.

Watermark define threshold para dropear eventos tardíos.

reduceByKey combina localmente antes de shuffle.

Adaptive Query Execution ajusta runtime (skew handling).

Unifica batch/streaming/ML con optimizaciones.

Task Scheduler asigna tasks considerando locality.

Broadcast envía tabla a todos executors, evita shuffle.

Lineage permite recomputar particiones perdidas.

complete emite tabla completa por trigger.

Balancea overhead/paralelismo (Spark doc).

Wide requiere shuffle, divide stages.

10x speedup en ETL batch.

Tungsten usa off-heap para GC efficiency.

MLlib provee transformers/estimators distribuidos.

Escala executors dinámicamente.

Structured Streaming para movilidad real-time.

Fusiona stages en single function para velocidad.

Soporta YARN, Kubernetes para orquestación.

¿Estás seguro que quieres abandonar la página?

Al abandonar la página perderás el progreso del juego.