Cómo diseñar una ruta de aprendizaje práctica en Coursera para AWS, Docker, Terraform, Kubernetes y Prometheus/Grafana

Problema

Los profesionales que migran a roles de DevOps suelen buscar una ruta de estudio que combine teoría mínima y práctica intensiva. En plataformas masivas como Coursera abundan especializaciones largas, con módulos repetitivos sobre conceptos básicos (Git, fundamentos de la nube) que diluyen el tiempo disponible para los laboratorios reales. El desafío consiste en seleccionar y encadenar cursos que:

• Cubran todo el stack moderno (AWS, Docker, Terraform, Kubernetes, Prometheus/Grafana).
• Ofrezcan entornos de laboratorio ejecutables directamente desde el navegador.
• Permitan pasar de la teoría a la implementación de pipelines CI/CD en menos de tres meses.
• Generen evidencia tangible (certificados, proyectos en Git) para el CV.

Causa

1. Diseño de catálogo genérico – Coursera agrupa cursos bajo “Specializations” que incluyen varios módulos introductorios, lo que genera solapamiento de contenidos.
2. Falta de filtros de práctica – La mayoría de los listados no indican claramente la cantidad de laboratorios o la disponibilidad de entornos cloud reales.
3. Enfoque en certificaciones de proveedores – Algunos cursos priorizan la preparación para exámenes oficiales en lugar de proyectos de fin de semana que simulan problemas de producción.
4. Escasez de rutas curadas por la comunidad – Los usuarios rara vez comparten combinaciones efectivas, lo que obliga a probar varias opciones sin garantía de resultados.

Solución

Construir una ruta modular basada en tres criterios: intensidad de laboratorio, coherencia de stack y certificación opcional. La siguiente combinación ha demostrado ofrecer la mayor densidad de práctica sin redundancia.

1. AWS – “AWS Fundamentals: Going Cloud‑Native” (Google Cloud) + “AWS Cloud Technical Essentials” (IBM)

• Por qué: El primer curso introduce servicios clave (EC2, S3, IAM) con laboratorios en la consola real de AWS. El segundo refuerza la gestión de redes y seguridad mediante ejercicios de VPC y políticas de IAM.
• Resultado esperado: Al finalizar, el estudiante puede lanzar una arquitectura de tres capas (ALB → EC2 Auto‑Scaling → RDS) usando la consola y la CLI.

2. Docker – “Docker Essentials: A Developer Introduction” (IBM)

• Enfoque práctico: Cada módulo incluye un contenedor en línea que se ejecuta en el navegador. Se cubren multi‑stage builds y Docker Compose sin volver a conceptos básicos de contenedores.
• Proyecto final: Construir una aplicación Node.js + PostgreSQL con Docker Compose y exportar la configuración a un repositorio Git.

3. Terraform – “Infrastructure as Code (IaC) with Terraform” (Google Cloud)

• Laboratorios reales: Provisionamiento de recursos en AWS y GCP desde el mismo workspace. El curso obliga a escribir módulos reutilizables y a versionar el estado en S3.
• Actividad clave: Crear un módulo que despliegue una VPC, subredes públicas/privadas y un clúster EKS (Kubernetes) usando variables y workspaces.

4. Kubernetes – “Architecting with Kubernetes” (Google Cloud) + “Kubernetes Fundamentals” (IBM)

• División de enfoque: El primero se centra en la arquitectura de clústeres y networking (CNI, Ingress). El segundo profundiza en despliegues de aplicaciones, Helm y políticas de RBAC.
• Laboratorio destacado: Implementar una aplicación de microservicios con Helm, escalar horizontalmente y aplicar un PodSecurityPolicy.

5. Observabilidad – “Monitoring and Observability with Prometheus” (KodeKloud) + “Grafana Fundamentals” (IBM)

• Práctica directa: KodeKloud ofrece un sandbox con Prometheus configurado contra un clúster Kubernetes. Se crean alertas y se visualizan métricas en Grafana.
• Entrega final: Configurar un dashboard que combine métricas de CPU, latencia HTTP y alertas de SLO, exportar el JSON del dashboard a Git.

6. Integración y proyecto capstone

Una vez completados los módulos, el estudiante debe ensamblar un pipeline CI/CD usando GitHub Actions (o GitLab CI) que:

1. Construya la imagen Docker.
2. Aplique Terraform para crear la infraestructura en AWS.
3. Despliegue la aplicación en EKS mediante Helm.
4. Registre métricas en Prometheus y visualice en Grafana.

Este proyecto sirve como portafolio y cubre todo el flujo de trabajo que buscan los reclutadores.

Consejos de organización

Total: ~13 semanas de estudio intensivo, 40 h de laboratorios reales.

Cuándo aplicar esta solución

• Perfil del estudiante: Ingeniero de sistemas o desarrollador con conocimientos básicos de línea de comandos y Git, que busca una transición rápida a DevOps.
• Objetivo profesional: Puestos que requieran despliegues automatizados en AWS y experiencia con contenedores y monitoreo.
• Restricciones de tiempo: Disponibilidad de 15‑20 h semanales.
• No aplicable: Cuando el objetivo es obtener una certificación oficial específica sin necesidad de laboratorios (por ejemplo, solo preparar el examen AWS Solutions Architect). En ese caso, es mejor elegir cursos centrados exclusivamente en la certificación.

Notas adicionales

• Sincronización de laboratorios: Algunos cursos usan entornos temporales que expiran después de 24 h. Programa los labs en bloques de 2‑3 días para evitar pérdidas de progreso.
• Gestión de credenciales: Usa perfiles de AWS creados con aws configure y almacena las claves en el gestor de secretos del navegador del sandbox para evitar bloqueos de acceso.
• Versionado de código: Mantén cada módulo (Dockerfile, Terraform, Helm chart) en su propio repositorio y usa sub‑modules para el proyecto capstone. Esto simplifica la revisión y la presentación en entrevistas.
• Feedback de la comunidad: Revisa los foros de Coursera y los grupos de Discord de cada proveedor; suelen compartir soluciones a errores comunes en los entornos de laboratorio.
• Escalado futuro: Una vez dominado el stack básico, considera añadir cursos de “GitOps con ArgoCD” o “Serverless con AWS Lambda” para ampliar el perfil sin romper la coherencia de la ruta actual.