Diplomatura en Machine Learning con Python
Conviértete en un especialista capaz de desarrollar modelos predictivos y soluciones innovadoras con Python.

¿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.
$999.000,00INSCRIBIRME AHORA
🤓 ¿Qué vas a aprender con esta certificación?
Etapa de Nivelación
Programación lógica: Introducción a la Programación Lógica.
Bases de datos relacionales: Introducción a Bases de Datos.
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.
Taller de Programación: Talleres prácticos en vivo de programación, para seguir reforzando sus conocimientos.
Etapa de Especialización
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.
Bayes Ingenuo
Implementación en Excel. Ejemplo de aplicación en Python. Comparación de 4 algoritmos predictivos (Bayes ingenuo, árboles, redes neuronales y regresión logística).
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.
🧑💼 ¿A quién esta dirigido?
Esta diplomatura está diseñada para profesionales y estudiantes que quieran especializarse en Machine Learning y Data Science. Es ideal para quienes provienen de carreras técnicas, ciencias exactas, estadísticas o afines y desean aplicar Python en proyectos reales. También es adecuada para analistas y consultores que buscan incorporar técnicas predictivas a su trabajo diario, así como para personas sin experiencia previa en programación que quieran iniciar una carrera en ciencia de datos desde cero. Con esta formación, cada estudiante adquiere las habilidades necesarias para desarrollarse en un entorno profesional altamente demandante y actualizado.
Preguntas Frecuentes
01 de Septiembre 2025 (últimas vacantes)
Lunes 19:00 Horas
Martes 18:45 Horas
Jueves 18:45 Horas
15 de Septiembre 2025
Lunes 21:30 Horas
Martes 19:30 Horas
Jueves 19:30 Horas
$999.000,00INSCRIBIRME AHORA
Las clases semanales se dictan en vivo por Zoom y tienen una duración de 45 a 90 minutos dependiendo del tema y la interacción con los estudiantes. Todas las clases quedan grabadas a disposición de los estudiantes y no se exige asistencia.
Los horarios de las clases se llevan a cabo después de las 18:45 horas los días de semana y por la mañana los sábados, dependiendo de las distintas etapas de la cursada, del tema y del profesor que las imparta pueden ir variando.
🤓 Preguntas Frecuentes sobre aprender Machine Learning con Python
1. ¿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.
2. ¿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.
3. ¿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.
4. ¿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.
5. ¿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.
6. ¿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.
7. ¿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.
8. ¿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.
9. ¿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.
10. ¿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.
10. ¿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.

11. ¿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.
$999.000,00INSCRIBIRME AHORA

6 cuotas sin interés tarjetas de crédito Visa, Mastercard y Amex emitidas por entidades bancarias.
10% Off en un pago por transferencia bancaria.
Comunidad de egresados del Instituto Data Science Argentina, 10% de descuento adicional.
Garantía de Satisfacción: 30 días
Vacantes Disponibles
$999.000,00INSCRIBIRME AHORA
Promociones
10% OFF por transferencia bancaria en 1 pago.
Hasta 6 cuotas sin interés, tarjetas de crédito Visa, MasterCard y American Express emitidas por entidades bancarias.
Docentes

Ignacio Urteaga
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.

Anahí Romo
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.

Julio Paredes
Ingeniero Industrial con Maestría en Administración de Empresas con enfoque en análisis de datos. Más de 15 años de experiencia laboral en diversos campos, incluida la inteligencia empresarial, la cadena de suministro y la docencia en TI y gestión.