Diplomatura IDSA 2026 · Nueva edición

Diplomatura en AI/DL Research Scientist

Investigación aplicada en inteligencia artificial: matemática avanzada, difusión, deep learning geométrico y causalidad con DL. Reproducción de papers de frontera. Certificación IDSA + UTN.

322h
Duración total
10
Cursos incluidos
17h
Trabajo final de investigación
IDSA+UTN
Certificación

Sobre esta Diplomatura

La Diplomatura en AI/DL Research Scientist forma profesionales capaces de hacer investigación aplicada en inteligencia artificial: leer papers de frontera, reproducirlos, adaptarlos y proponer variantes. Es el trayecto más profundo del ecosistema IDSA.

El foco es el método, no la aplicación. El Research Scientist no solo usa modelos: entiende su matemática, sus supuestos y sus límites. Por eso el trayecto incluye difusión (DDPM), deep learning geométrico y causalidad con deep learning — tres áreas de frontera activa de investigación.

Es una trayectoria orientada a I+D, doctorado o equipos de investigación en empresas de tecnología, labs o universidades. La empleabilidad es más específica que la de Data Scientist.

Se apoya en el tutor virtual 24/7 y en notebooks con papers reproducibles. Requiere rigor matemático fuerte.

▸ Estructura del programa

Cuatro etapas hacia la investigación aplicada

Cada etapa suma profundidad matemática: de la estadística y el deep learning a la difusión, y del DL geométrico a la causalidad con deep learning.

1
Etapa 1 · Fundamentos
Base matemática, estadística y de programación
105 horas · 4 cursos · Obligatorio

Nivelación matemática, Python, estadística aplicada con inferencia y machine learning supervisado y no supervisado. La base sobre la que se construye todo el rigor posterior.

Nivelación Matemática (35h) Python para Data Science (15h) Estadística Aplicada e Inferencia (25h) Machine Learning Supervisado y No Supervisado (30h)
2
Etapa 2 · Matemática profunda
Estadística avanzada, matemática para IA, deep learning y difusión
120 horas · 4 cursos · Obligatorio

Estadística avanzada con derivación de MCO, MLE y regularización, matemática para investigación en IA (SVD, cálculo matricial, optimización con restricciones, probabilidad y teoría de la información), fundamentos de deep learning y optimización (backpropagation, SGD y Adam en PyTorch) y los fundamentos matemáticos de los modelos de difusión (DDPM).

Estadística Avanzada, Sesgo y Regularización (30h) Matemática para Investigación en IA (30h) Fundamentos de Deep Learning y Optimización (30h) Fundamentos Matemáticos de la Difusión – DDPM (30h)
3
Etapa 3 · Frontera teórica
DL geométrico y causalidad
80 horas · 2 cursos · Obligatorio

Teoría de grupos, equivarianza, GNNs y redes equivariantes sobre datos 3D, más causalidad avanzada con deep learning: Double/Debiased ML, Causal Forests y redes causales.

Aprendizaje Profundo Geométrico (40h) Inferencia Causal Avanzada con Deep Learning (40h)
4
Etapa 4 · Trabajo Final
Reproducción de paper + aporte
17 horas · 1 proyecto · Obligatorio

Reproducción rigurosa de un paper de frontera, con análisis crítico y propuesta de extensión o variante. Presentación en formato de workshop ante comité técnico.

Proyecto aplicado + Defensa
▸ Los 10 cursos del programa

Qué vas a aprender, curso por curso

Cada curso se cursa y certifica de forma individual. Al aprobar los diez más el trabajo final, se emite el diploma de la diplomatura.

Introductorio

Nivelación Matemática para Data Science

Derivadas, vectores, matrices, probabilidad y notación matemática aplicada a Machine Learning. Sin matemática abstracta: todo orientado a ciencia de datos, con Python y casos reales.

Sin prerrequisitos
35h JupyterLite
Álgebra linealCálculoProbabilidadEstadística$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Introductorio

Python para Data Science

Del primer script al primer dashboard. Pandas, NumPy, Matplotlib y Dash. Los 4 verbos fundamentales de Pandas y la conexión con el análisis de negocio.

Sin prerrequisitos
15h Google Colab
PandasNumPyMatplotlibDash$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Intermedio

Estadística Aplicada e Inferencia

Describí datos, estimá con intervalos de confianza, testeá hipótesis, interpretá una regresión y diseñá un experimento A/B. La base estadística para analizar y decidir con evidencia.

Prereq: Python y Nivelación Matemática
25h Google Colab
Intervalos de confianzaTests de hipótesisRegresiónA/B Testing$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Intermedio

Machine Learning Supervisado y No Supervisado

Entrenás, validás y explicás modelos de ML con scikit-learn, XGBoost y LightGBM: regresión logística, árboles, ensambles, validación cruzada, umbral de decisión, SHAP y clustering, sobre un caso de riesgo de mora.

Prereq: Python y Nivelación Matemática
30h Google Colab
Scikit-learnRandom ForestXGBoostSHAP$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Avanzado

Estadística Avanzada, Sesgo y Regularización

Derivá MCO y MLE, implementá Ridge, Lasso y Elastic-Net desde cero, validá con K-Fold CV y conectá con Weight Decay en Deep Learning.

Prereq: Python, álgebra lineal básica y regresión lineal
30h Google Colab
RidgeLassoK-Fold CVWeight Decay$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Avanzado

Matemática para Investigación en IA

Álgebra lineal y SVD, cálculo matricial, optimización con restricciones, probabilidad y concentración, cadenas de Markov, máxima verosimilitud y divergencia KL, con cada tema derivado, implementado en NumPy y verificado, cerrando con la reproducción de un resultado de un paper.

Prereq: Nivelación Matemática y Estadística Aplicada e Inferencia
30h Google Colab
SVDOptimizaciónKLMáxima verosimilitud$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Avanzado

Fundamentos de Deep Learning y Optimización

Construí backpropagation desde cero, entendé SGD y Adam, entrená redes en PyTorch, controlá el sobreajuste y compará CNN 1D, LSTM y atención en un caso de riesgo de mora.

Prereq: Python y Nivelación Matemática (Estadística Avanzada ayuda en la Unidad 4)
30h Google Colab
BackpropagationPyTorchAdamLSTM$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Avanzado

Fundamentos Matemáticos de la Difusión (DDPM)

Derivá e implementá DDPM desde sus fundamentos: cadena forward, ELBO, denoising score matching, schedules y algoritmos DDPM/DDIM.

Prereq: Estadística Avanzada y Fundamentos de Deep Learning
30h JupyterLite
DDPMELBOU-NetDDIM$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Frontier

Aprendizaje Profundo Geométrico

Dominá la teoría de grupos y la equivarianza, implementá GNNs desde cero y aplicá redes equivariantes a datos 3D. Comprendé la geometría diferencial detrás de los Transformers modernos.

Prereq: Estadística Avanzada y Fundamentos de Deep Learning
40h Google Colab (GPU)
Teoría de gruposEquivarianzaGNNsDatos 3D$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
Frontier

Inferencia Causal Avanzada con Deep Learning

Dominá las técnicas modernas de inferencia causal con ML. Double/Debiased ML, Causal Forests, redes neuronales causales (TARNet, Dragonnet).

Prereq: Estadística Avanzada y Fundamentos de Deep Learning
40h Google Colab (GPU)
EconMLDoWhyCausal ForestTARNet$100.000 pesos argentinos · Pagá por transferencia bancaria, Mercado Pago o PayPal
Ver curso
▸ Perfiles de salida

Tres orientaciones en investigación aplicada

La orientación se define por el trabajo final y el énfasis en cada área de frontera.

Research

Applied Research Scientist

Investigación aplicada en I+D: reproduce papers, adapta métodos y propone variantes sobre problemas reales.

Lectura y reproducción de papers de frontera
Reproducción de experimentos
Análisis experimental con código reproducible
Presentación en formato workshop
Geométrico

Geometric DL Researcher

Investigación en deep learning geométrico: simetrías, equivarianza y datos estructurados como grafos y objetos 3D.

GNNs y redes equivariantes
Teoría de grupos y simetrías
Datos 3D: nubes de puntos y mallas
Reproducción de papers de DL geométrico
Causal DL

Causal AI Researcher

Investigación en causalidad con deep learning: identificación y estimación de efectos con modelos modernos.

Identificación causal con redes neuronales
Double/Debiased ML y Causal Forests
TARNet, Dragonnet y variantes
Reproducción de papers de causalidad con DL

Los perfiles son orientativos. El alumno construye su especialización con el trabajo final y los proyectos del Laboratorio de Datos.

▸ Trabajo Final

Reproducción de paper + aporte original

Un proyecto integrador de investigación: elegir un paper de frontera, reproducir sus resultados, analizar críticamente sus supuestos y proponer una extensión o variante. Presentación en formato de workshop ante comité técnico, con código reproducible y análisis experimental.

  • Duración: 17 horas distribuidas en 4-6 semanas
  • Tutoría personalizada durante todo el desarrollo
  • Defensa oral ante comité técnico
  • Publicación en el Laboratorio de Datos del Instituto
▸ Certificación

Doble aval universitario

Certificación IDSA + UTN con resolución oficial y verificación digital de cada curso aprobado.

Certificado IDSA + UTN

Qué incluye la certificación

  • Diploma final con doble firma (Director IDSA + Decano UTN FRRQ)
  • Certificado por cada curso completado en el camino
  • Resolución oficial 920/2020 UTN Facultad Regional Reconquista
  • Código QR de verificación digital
  • Copia automática a la Facultad para registro oficial
  • Acreditación progresiva: cada curso completado ya queda certificado

Los certificados se emiten al aprobar los quizzes y trabajos prácticos de cada curso.

▸ Comparativa

¿Diplomatura o cursos sueltos?

AspectoCurso sueltoDiplomatura completa
Duración por unidad15-40h por curso322h totales
CertificaciónIDSA + UTN por cursoIDSA + UTN por curso + diploma final
Trabajo final de investigación—✓ Obligatorio
Publicación en Laboratorio—✓ Elegible
Stack completo de investigaciónParcial✓ Matemática + DDPM + DLG + Causal DL
Preparación para doctorado o I+DParcial✓ Toda la trayectoria
▸ Preguntas frecuentes

Dudas sobre la Diplomatura

¿Necesito experiencia previa en investigación?

No es obligatorio, pero sí se espera rigor matemático y capacidad de lectura de papers. La trayectoria forma esas competencias desde los fundamentos.

¿Cuál es la diferencia con la Diplomatura en Data Scientist?

Data Scientist forma para industria: aplicar modelos a problemas de negocio. AI/DL Research Scientist forma para I+D: entender y extender los modelos. Comparten cuatro cursos (Nivelación, Python, Estadística Aplicada y Machine Learning Supervisado), pero el resto es distinto.

¿Esta diplomatura sirve para hacer un doctorado?

Está orientada a ese camino: cubre estadística avanzada, matemática para investigación, deep learning, difusión, DL geométrico y causalidad, y el trabajo final es una reproducción de paper con análisis crítico.

¿Qué herramientas voy a usar?

PyTorch, NumPy, SciPy, SymPy, PyTorch Geometric, e3nn, EconML, CausalML y DoWhy. Todo desde Google Colab o JupyterLite, accesibles desde el navegador.

¿Cuánto tiempo lleva completarla?

A 10 horas semanales: aproximadamente 32 semanas (8 meses). A 6 horas semanales: unos 12 meses. El ritmo lo definís vos.

¿Cómo se cursan los cursos de la diplomatura?

Cada curso se cursa y se paga de forma individual. Podés comprarlos a medida que avanzás. Al aprobar los 10 cursos más el trabajo final, se emite el diploma de la diplomatura.

¿Hay requisitos para los cursos Frontier?

Como esta diplomatura incluye cursos Frontier, tenés acceso directo mientras la cursás; también lo tiene quien completó otra Diplomatura IDSA, y en cualquier otro caso se rinde un examen de admisión técnico. Se recomienda haber cursado estadística avanzada y machine learning, o contar con conocimientos equivalentes, y esta diplomatura ordena los cursos Frontier después de Estadística Avanzada y Fundamentos de Deep Learning.

¿Y si quiero reforzar la base matemática?

La Nivelación Matemática y la Estadística Aplicada ya forman parte de la primera etapa. Si querés reforzar el cálculo o el álgebra antes de empezar, podés cursar la Nivelación por separado antes de matricularte en el resto.

¿Necesito GPU propia?

No. Los cursos de DL geométrico y causalidad avanzada se ejecutan en Google Colab con soporte de GPU, y el de difusión corre en JupyterLite desde el navegador. Para proyectos propios que requieran más cómputo existen alternativas gratuitas y pagas.

¿Qué puedo cursar después?

Esta es la diplomatura más avanzada del ecosistema IDSA. El paso siguiente suele ser un posgrado de investigación, un doctorado o un equipo de I+D.

Investiga la frontera de la IA

322 horas con foco en matemática avanzada, difusión, DL geométrico y causalidad con DL. Reproducción de paper y doble certificación IDSA + UTN.

Item added to cart.
0 items - $0,00