Diplomatura en Machine Learning con Python
La Diplomatura en Machine Learning con Python es un programa educativo de formación avanzada que aborda los principales fundamentos, algoritmos y técnicas del aprendizaje automático, con énfasis en su aplicación práctica mediante el lenguaje Python.
El programa está diseñado para brindar una comprensión sólida de los modelos, métodos y herramientas utilizados en machine learning, incluyendo enfoques supervisados y no supervisados, técnicas de evaluación y validación de modelos, y buenas prácticas para su implementación en contextos reales.
A lo largo de la diplomatura se integran contenidos teóricos esenciales, prácticas guiadas y el análisis de casos aplicados, permitiendo al estudiante desarrollar competencias para el diseño, entrenamiento, evaluación e interpretación de modelos de aprendizaje automático, en el marco de proyectos profesionales y académicos.
EDICIÓN 2026
CERTIFICACIÓN ACADÉMICA
Universidad Tecnológica Nacional
+ Instituto Data Science
Resolución Nro. 290/20 · UTN FRRQ
Tu mejor certificado es tu proyecto público.
Garantía de Satisfacción: 30 días
Próximo inicio: 25 de Mayo 2026
(Máximo 20 estudiantes)
Clases en vivo: Lunes 19:00 Horas, Martes y Jueves 19:00 Horas.
Vacantes Disponibles
$1.107.000,00INSCRIBIRME AHORA
6 cuotas sin interés de $138.000 o 20% OFF por transferencia en 1 pago = $662.400
¿Por qué elegir esta diplomatura?
🚀 Enfoque práctico y aplicado: Aprende haciendo, con proyectos reales que potenciarán tu perfil profesional.
🖥️ Clases en vivo y grabadas: Flexibilidad para estudiar a tu ritmo, con acceso a todas las clases.
📜 Certificación oficial: Avalada por la Universidad Tecnológica Nacional.
👨🏫 Docentes expertos: Profesionales con amplia experiencia en Machine Learning y Python.
Consultas
WhatsApp: +541139148021
Mail: info@institutodatascience.org
Programa Académico
Etapa de Nivelación
Programación lógica
Introducción a la Programación Lógica. Tipos de Variables. Ejecución condicional. Ciclos. Funciones. Conceptos generales.
Bases de datos relacionales
Introducción a Bases de Datos. Relaciones. Formas normales. Operaciones sobre tablas. Joins. Objetos de las bases de datos. Optimización de consultas. Arquitectura de las bases de datos. SQL Server.
Probabilidad y Estadística
Introducción a Estadística.
Curso Experto en Power BI (On-demand)
Introducción al Power BI como herramienta clave. Los datos dentro de la administración empresarial con BI. Cargar datos a Power BI utilizando Power Query. Generación de columnas y tabla calendario para lograr una buena gestión de los datos. Utilizar Dax para gestionar datos. Diseño de informes / gráficos. Proyecto final. (6 clases grabadas).
Etapa de Introducción
Introducción Conceptual
Introducción a la Ciencia de Datos. Niveles a los que opera la ciencia de datos. Introducción a Data Warehouse. Introducción a Data Mining. Introducción a Knowledge Discovery. Introducción a Herramientas OLAP y Tableros de comando. Repaso de herramientas disponibles. Taxonomía de las competencias de un científico de datos.
Introducción a Python
Descarga e instalación. Principales librerías. Variables y tipos de datos. Listas, tuplas y diccionarios. Ejecución condicional. Ciclos definidos e indefinidos. Manejo de Excepciones. Funciones y Generadores. Clases y objetos. Manejo de archivos y directorios. Conexión a archivos planos. Conexión a Excel. Conexión a Bases de Datos.
Introducción a R
Variables, vectores y matrices. Dataframes. Paquetes y librerías. Manejo de archivos csv. Conversiones de tipos. Conexión a bases de datos. Ejecución condicional. Bucles. Funciones en R. Medidas estadísticas. Correlaciones. Funciones estadísticas.
Taller de Programación
Talleres prácticos en vivo de programación, para seguir reforzando sus conocimientos.
Regresiones
Regresión Lineal. Regresión polinómica. Regresión exponencial y logarítmica. Regresión de dos variables. Ejemplos de regresiones con sklearn.linear_model. Regresiones logística. Ejemplos de clasificación con regresión logística con sklearn.linear_model.
Arboles de decisión
Algoritmo básico en Excel. División en entrenamiento y prueba. Uso de sklearn.tree. Predicción y valoración de la solución. Aplicación al dataset Titanic. Aplicación al problema del call center.
Clusters
Algoritmo básico en Excel. Uso de kmeans. Ejemplo de aplicación real de sklearn.cluster. Otros algoritmos de agrupamiento en scipy.cluster. Ejercicio de aplicación de agrupamiento de mascotas.
Reglas de Asociación
Algoritmo básico en Access. División en entrenamiento y prueba. Uso de apriori en Python. Ejemplo de una aplicación real votación de reglas. Ejemplo de una aplicación real a datos de ventas en supermercados.
Redes Neuronales
Algoritmo básico en Excel. División en entrenamiento y prueba. Instalación y uso del paquete. Ejemplo en Python. Principales parámetros de ajuste y control. Problema concreto.
Algoritmos genéticos
Algoritmo básico en Excel. Discusión del tipo de problemas en los que se aplica. Discusión de otros mecanismos de optimización. Implementación en R del método enjambre de partículas.
Series temporales
Taxonomía. Separación de componentes. Predicciones. Implementación con statsmodel. Predicción en series con un único período.
Método de Simulación de Montecarlo
Algoritmo básico en Excel. Discusión de la utilidad del método. Comparación con el análisis de escenarios. Ejemplo de una aplicación real. Ejemplo simple implementado en Python.
Minería de textos
Clasificación supervisada de piezas de texto. Construcción de una red semántica. Ejemplos de aplicación real del algoritmo de clasificación. Aplicación a la detección de sentimientos.
Random Forest
Descripción conceptual del método. Paquete sklearn.ensemble. RandomForestClassifier. RandomForestRegressor. Ejemplo de aplicación. Comparación con otras técnicas.
Métodos Bayesianos
Descripción conceptual del método. Regresión lineal bayesiana: pymc3. Red bayesiana: pgmpy.
Máquina de soporte vectorial
Descripción conceptual del método. Paquete sklearn.svm. Ejemplo de aplicación. Comparación con otras técnicas.
Tutorías Proyecto Final
En esta etapa los estudiantes realizaran su proyecto final de cursada con tutoría docente. Pueden ver algunos proyectos finales de cursada de nuestros egresados en Nuestro Canal de YouTube.
INSCRIPCIONES ABIERTAS
Próximas cohortes 2026
Cada comisión está limitada a 20 estudiantes para preservar la dinámica de tutoría individual y los foros activos. Reservá tu vacante con tu inscripción.
25 de Mayo 2026
(Máximo 20 estudiantes, últimas vacantes)
Clases en vivo: Lunes 19:00 Horas, Martes y Jueves 19:00 Horas.
$1.107.000,00INSCRIBIRME AHORA
08 de Junio 2026
(Máximo 20 estudiantes, últimas vacantes)
Clases en vivo: Lunes 21:30 Horas, Martes 20:30 Horas y Jueves 20:30 Horas.
$1.107.000,00INSCRIBIRME AHORA
22 de Junio 2026
(Máximo 20 estudiantes, últimas vacantes)
Clases en vivo: Lunes 19:00 Horas, Martes y Jueves 19:00 Horas.
$1.107.000,00INSCRIBIRME AHORA
PROYECTO FINAL
Tu mejor certificado es lo que vas a construir.
Cada egresado defiende un proyecto aplicado a un caso de negocio real, tutoriado por un docente especializado. Quedan publicados en YouTube y son la evidencia técnica que las empresas evalúan al momento de contratar.
Análisis de Deforestación con Machine Learning
Modelo predictivo para prevenir la deserción de clientes en empresas del agro
Predicción de crímenes en la Ciudad Autónoma de Buenos Aires
EQUIPO DOCENTE
Profesionales activos en industria y academia.
Quienes te van a acompañar en la cursada combinan investigación, docencia universitaria y aplicación real de AI, Data Science y Data Analytics en empresas del sector privado y público.
Ignacio Urteaga
Director del Programa
MBA en Dirección de Sistemas de Información. Físico, (Tesis en física nuclear) Investigador, Premiado en 2001 por sus trabajos en Ciencia de Datos. Más de 30 años de experiencia docente en Universidades y en la aplicación de Datos y BI como Director, Gerente o Consultor en el ámbito público y privado.
¿Quieres saber mas sobre Ignacio?
Anahí Romo
Docente
Licenciada en Ciencias Físicas de la Universidad de Buenos Aires. Maestría en gestión de la energía en la Universidad Nacional de Lanús. Maestría de energías renovables Universidad Nacional de Salta. Desarrolladora Python.
¿Quieres saber mas sobre Anahí?
VOZ DE LOS EGRESADOS
Lo que dicen quienes ya pasaron por acá.
Sus contenidos exhiben una vasta amplitud, y la profundidad con la cual se aborda cada uno de ellos, subdividido en Unidades Temáticas, es más que adecuada para alcanzar en nivel de suficiencia requerido para su aprobación, dejando un margen muy interesante para que cada alumno profundice, aún más, uno o varios ejes temáticos, cuestión que puede observarse en los excelentes trabajos finales que son presentados y defendidos por los aspirantes al diplomado, como parte de los requisitos para certificar la diplomatura como egresado.
El cuerpo de docentes es de excelencia, compuesto por investigadores y profesionales de vasta experiencia en los diferentes dominios del conocimiento que integran los contenidos. Personas, además muy amables, siempre dispuestas para atender cualquier duda.
Para todos los interesados en introducirse, ampliar sus conocimientos, o incorporar nuevos elementos relacionados con la Ciencia de Datos de un modo sistemático, recomiendo con énfasis esta propuesta que, no de modo excluyente, ofrece el Instituto Data Science Argentina.
FAQ’s
Preguntas Frecuentes
¿Qué requisitos previos necesito para aprender Machine Learning con Python?
No necesitas ser un experto en programación para empezar. Nuestro curso está diseñado para guiarte desde lo básico de Python hasta la creación de modelos de Machine Learning, incluyendo conceptos de estadística y álgebra lineal necesarios para entender los algoritmos.
¿Python es difícil de aprender si nunca programé antes?
Python es uno de los lenguajes más amigables para principiantes. Nuestro enfoque práctico te permitirá aprender mientras aplicas conceptos en proyectos reales de análisis de datos y Machine Learning.
¿Qué librerías de Python debo conocer para Machine Learning?
Aprenderás a usar las principales librerías de Python: scikit-learn para modelos clásicos, Pandas y NumPy para manipulación de datos, y TensorFlow o PyTorch si quieres explorar Deep Learning y redes neuronales.
¿Qué voy a aprender en la diplomatura?
Aprenderás Python aplicado a ciencia de datos, incluyendo manejo de datos con pandas y NumPy, visualización con matplotlib y seaborn, análisis estadístico y creación de modelos de machine learning con scikit-learn. Además, desarrollarás un proyecto final integrador que te permitirá aplicar tus conocimientos a casos reales, aumentando tu perfil profesional.
¿Cuánto tiempo toma aprender lo suficiente para aplicar Machine Learning en proyectos reales?
Depende del ritmo de cada alumno, pero nuestro plan de estudios te permite aplicar modelos de Machine Learning desde las primeras semanas, con ejercicios prácticos y proyectos reales incluidos.
¿Existen aplicaciones prácticas que pueda crear mientras aprendo?
Sí. Desde predecir ventas, analizar tendencias de mercado o evaluar datos financieros, hasta construir modelos de clasificación y regresión. Cada lección incluye un enfoque práctico para aplicar lo aprendido inmediatamente.
¿Qué proyectos voy a realizar durante la cursada?
Trabajarás en proyectos prácticos de análisis de datos, visualización y machine learning con Python, simulando escenarios reales de empresas para que salgas del curso con experiencia aplicada y lista para el mercado laboral.
¿La cursada enseña desde cero o es necesario tener conocimientos previos de estadística y álgebra lineal?
La cursada incluye nivelación en conceptos esenciales de estadística y álgebra lineal aplicados al Machine Learning, para que no te quedes atrás y puedas comprender los algoritmos a fondo.
¿Cuál es la diferencia entre Machine Learning supervisado y no supervisado?
Te explicamos de manera clara y aplicada: el supervisado usa datos etiquetados para predecir resultados, mientras que el no supervisado identifica patrones sin etiquetas previas, útil en segmentación y clustering.
¿El conocimiento de Machine Learning con Python me permitirá mejorar mi perfil profesional y conseguir trabajo?
Sí. Python y Machine Learning son habilidades altamente demandadas en el mercado. Con nuestro enfoque práctico y proyectos reales, tu perfil se vuelve atractivo para roles de Data Analyst, Data Scientist y Machine Learning Engineer.
¿Se enseñan técnicas avanzadas como Deep Learning y redes neuronales, o solo lo básico?
Comenzamos con lo esencial y gradualmente abordamos temas avanzados como redes neuronales, Deep Learning y modelado predictivo usando Python, preparándote para proyectos profesionales.
¿Es suficiente aprender Python para Machine Learning, o debo combinarlo con R, SQL u otras herramientas?
Python es la herramienta principal para Machine Learning y te permitirá hacer la mayoría de los proyectos. Aprender SQL o R puede complementar tus habilidades, pero no es obligatorio para empezar a aplicar Machine Learning profesionalmente.
¿Cómo puedo inscribirme y qué formas de pago están disponibles?
Haz clic en inscribirse ahora y completa tus datos o escribinos por WhatsApp: +541139148021 o Mail: info@institutodatascience.org. Nuestro equipo te va a asesorar personalmente.
6 cuotas sin interés de $184.500
20% OFF por transferencia en 1 pago = $885.600
$1.107.000,00INSCRIBIRME AHORA
¿Qué certificación obtengo al finalizar?
A lo largo del cursado, vas a aplicar lo aprendido mediante ejercicios prácticos, actividades integradoras y foros. Al finalizar, deberás presentar un proyecto final integrador y rendir un examen teórico, que requiere al menos un 60% de respuestas correctas para aprobar.
Al aprobar el programa, recibirás una certificación académica avalada por la Universidad Tecnológica Nacional (UTN) y el Instituto Data Science.
El mejor momento fue ayer.
El segundo mejor, hoy.
Reservá tu vacante con seis cuotas sin interés. Si dentro de los primeros treinta días la cursada no te convence, te devolvemos el dinero por el mismo medio de pago.
Para hablar con un asesor
WhatsApp: +541139148021
Mail: info@institutodatascience.org
Podés formarte y certificarte con UTN + Instituto Data Science en:
