Diplomatura en ML Engineer
Los 9 cursos del ecosistema IDSA reorganizados en una trayectoria orientada a producción: del notebook al pipeline desplegado. MLOps, Cloud, RAG avanzado y sistemas de ML en entornos reales. Certificación UTN + IDSA.
Sobre esta Diplomatura
La Diplomatura en ML Engineer es la trayectoria de IDSA 2026 orientada al ciclo completo de vida de un modelo de machine learning en producción. Se compone de cuatro etapas: los 9 cursos de los trayectos de Nivelación, Core ML y Especialización en Producción (300 h), más un trabajo final aplicado (17 h).
Se diferencia de la Diplomatura en Ciencia de Datos Aplicada por el énfasis: mientras aquella prioriza el análisis y el modelado estadístico, esta está centrada en el despliegue, la escalabilidad, el monitoreo y la integración de sistemas de ML en entornos reales.
Cursos marcados como «Próximamente» forman parte de la trayectoria oficial y se incorporarán progresivamente. Los alumnos que se inscriban ahora los cursarán cuando estén disponibles, sin costo adicional.
Cinco etapas, una trayectoria productiva
Cada etapa aporta una capa de conocimiento y habilita la siguiente. El foco está puesto en llevar modelos de ML desde el prototipo hasta producción, con monitoreo y despliegue continuo.
Nivelación matemática aplicada a Data Science y fundamentos de Python. La base sobre la que se construye todo lo demás.
El núcleo de ingeniería de ML: entrenamiento, evaluación, despliegue, monitoreo y regularización.
RAG avanzado, difusión y los fundamentos de cloud para ML. La infraestructura que sostiene los modelos en producción.
Kubernetes, feature stores, serving escalable y despliegue de modelos complejos en producción.
Un sistema de ML desplegado, con datos reales, monitoreo y defensa frente a comité técnico.
Tres orientaciones de ingeniería
La orientación profesional se define por el trabajo final elegido y el énfasis en cada tecnología.
MLOps Engineer
Despliegue, escalabilidad y monitoreo de modelos en producción.
AI Engineer / LLM Engineer
Sistemas de IA generativa: RAG, agentes y despliegue de LLMs.
ML Platform Engineer
Infraestructura y tooling para equipos de ML: K8s, feature stores, serving.
Del prototipo al pipeline productivo
Un sistema de ML desplegado, con datos reales, monitoreo y defensa frente a comité técnico.
- Duración: 17 horas en 4-6 semanas
- Tutoría personalizada
- Defensa oral ante comité
- Publicación en el Laboratorio de Datos
Sistema de recomendación en producción
FastAPI, Docker y monitoreo de drift
Pipeline de forecasting con reentrenamiento
Airflow y MLflow con datos financieros LATAM
RAG en producción para atención al cliente
Corpus en español con evaluación RAGAS
Detección de fraude en tiempo real
Uplift modeling y despliegue
Doble aval universitario
Certificación UTN + IDSA con resolución oficial y verificación digital.
Qué incluye la certificación
- Diploma final con doble firma (Decano UTN FRRQ + Director IDSA)
- 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.
¿Diplomatura o cursos sueltos?
| Aspecto | Curso suelto | Diplomatura completa |
|---|---|---|
| Duración | 30-40h por curso | 300h totales |
| Certificación | UTN + IDSA por curso | UTN + IDSA por curso + diploma final |
| Trabajo final aplicado | — | ✓ Obligatorio |
| Publicación en Laboratorio | — | ✓ Elegible |
| Enfoque en producción | Parcial | ✓ Toda la trayectoria |
| Acceso al Frontier Program | Con examen | ✓ Directo, sin examen |
| Forma de pago | 3 cuotas o 20% OFF | 6 cuotas o 20% OFF |
Dudas sobre la Diplomatura
¿En qué se diferencia de la Diplomatura en Ciencia de Datos Aplicada?
Comparten la base de cursos, pero el enfoque es distinto. Ciencia de Datos Aplicada prioriza análisis y modelado estadístico. ML Engineer está centrada en el ciclo de vida de un modelo en producción: despliegue, escalabilidad, monitoreo de drift y reentrenamiento automático.
¿Qué herramientas de producción voy a aprender?
FastAPI para servir modelos, Docker para empaquetado, MLflow para gestión de experimentos, Airflow o Prefect para orquestación, y técnicas de monitoreo de drift. En IA Generativa se suman RAG en producción y evaluación con métricas.
¿Se enseña Kubernetes y cloud?
Los fundamentos de despliegue y contenedores están cubiertos en MLOps y Regresión. Kubernetes, cloud específico (AWS/GCP/Azure) y feature stores se cubren en MLOps Avanzado y Cloud para ML, actualmente en producción y marcados como «Próximamente».
¿Cómo se paga?
Precio único, 20% menos que la suma de los cursos. 6 cuotas sin interés o 20% OFF por transferencia. Si ya aprobaste cursos sueltos, se descuentan.
¿Qué pasa si ya cursé cursos sueltos?
Los cursos aprobados quedan acreditados y se descuentan del precio. Solo cursás los que faltan más el trabajo final.
¿Cuánto tiempo lleva completarla?
A 12 horas semanales: 24-26 semanas (6 meses). A 8 horas semanales: 9-10 meses. El ritmo lo definís vos.
¿Qué puedo cursar después?
Acceso directo al Frontier Program (Sistemas Multiagente, DL Geométrico, Causalidad Avanzada) sin examen de admisión.
Del notebook al pipeline productivo
300 horas con foco en despliegue, monitoreo y sistemas de ML en producción. Trabajo final aplicado real y doble certificación UTN + IDSA.