Diplomatura en AI/DL Research Scientist
Investigación aplicada en inteligencia artificial: matemática avanzada, difusión, deep learning geométrico, causalidad con DL y sistemas multiagente. Reproducción de papers de frontera. Certificación IDSA + UTN.
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 estrecha que la de Data Scientist, pero el techo técnico y salarial es mucho más alto.
Se apoya en el tutor RAG 24/7 y en notebooks con papers reproducibles. Requiere rigor matemático fuerte.
Cinco etapas hacia la investigación aplicada
Cada etapa suma profundidad matemática: de la estadística a la difusión, del DL geométrico a la causalidad, y de allí a la frontera aplicada.
Nivelación matemática y Python. La base sobre la que se construye todo el rigor posterior.
Estadística avanzada con derivación de MCO, MLE y regularización, más los fundamentos matemáticos de los modelos de difusión (DDPM).
Simetrías, equivarianza, GNNs y redes equivariantes a SE(3), más causalidad avanzada con deep learning: Double ML, Causal Forests y redes causales.
Sistemas multiagente, RAG avanzado y NLP con transformers. La capa de frontera aplicada sobre la que se publican papers hoy.
Reproducción rigurosa de un paper de frontera, con análisis crítico y propuesta de extensión o variante. Presentación en formato de workshop ante comité técnico.
Qué vas a aprender, curso por curso
Cada curso se cursa y certifica de forma individual. Al aprobar los nueve más el trabajo final, se emite el diploma de la diplomatura.
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.
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.
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.
Fundamentos Matemáticos de la Difusión (DDPM)
Derivá e implementá DDPM desde sus fundamentos: cadena forward, ELBO, denoising score matching, schedules y algoritmos DDPM/DDIM.
Aprendizaje Profundo Geométrico
Comprendé los principios geométricos y algebraicos que guían el diseño de arquitecturas modernas. Simetrías, equivarianza, GNNs, redes equivariantes a SE(3).
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).
Sistemas Multiagente e IA Agéntica
De la teoría formal de POMDPs a la implementación con LLMs: ReAct, tool use, debate multiagente, planificación con MCTS y evaluación con benchmarks reales.
Optimización de Recuperación (RAG Avanzado)
Más allá del RAG básico: re-ranking, query transformation, self-RAG, corrective RAG y evaluación end-to-end de pipelines de recuperación.
NLP Avanzado con Transformers
Transformers desde cero, BERT, GPT, tareas clásicas de NLP (clasificación, NER, QA), NLP en español y fine-tuning eficiente con LoRA y PEFT.
Tres orientaciones en investigación aplicada
La orientación se define por el trabajo final y el énfasis en cada área de frontera.
Applied Research Scientist
Investigación aplicada en I+D: reproduce papers, adapta métodos y propone variantes sobre problemas reales.
Geometric DL Researcher
Investigación en deep learning geométrico: simetrías, equivarianza y aplicaciones a moléculas, grafos y visión 3D.
Causal AI Researcher
Investigación en causalidad con deep learning: identificación, estimación y aplicaciones a salud, economía y políticas públicas.
Los perfiles son orientativos. El alumno construye su especialización con el trabajo final y los proyectos del Laboratorio de Datos.
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
Doble aval universitario
Certificación IDSA + UTN con resolución oficial y verificación digital de cada curso aprobado.
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.
¿Diplomatura o cursos sueltos?
| Aspecto | Curso suelto | Diplomatura completa |
|---|---|---|
| Duración por unidad | 15-40h por curso | 300h totales |
| Certificación | IDSA + UTN por curso | IDSA + UTN por curso + diploma final |
| Trabajo final de investigación | — | ✓ Obligatorio |
| Publicación en Laboratorio | — | ✓ Elegible |
| Stack completo de investigación | Parcial | ✓ DDPM + DLG + Causal DL + Agentes |
| Preparación para doctorado o I+D | Parcial | ✓ Toda la trayectoria |
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 4 cursos base, pero los 5 restantes son distintos.
¿Esta diplomatura sirve para hacer un doctorado?
Sí. Es una preparación sólida para doctorados en ML, DL geométrico, causalidad o IA generativa. El trabajo final es una reproducción de paper, que es exactamente el tipo de trabajo que se hace en investigación.
¿Qué herramientas voy a usar?
PyTorch, PyG, E3NN, EconML, DoWhy, Hugging Face, AutoGen, LangChain y librerías de difusión (diffusers). Todo desde entornos accesibles desde el navegador.
¿Cuánto tiempo lleva completarla?
A 10 horas semanales: aproximadamente 30 semanas (7-8 meses). A 6 horas semanales: 11-12 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 9 cursos más el trabajo final, se emite el diploma de la diplomatura.
¿Necesito GPU propia?
No. Los notebooks se ejecutan en Google Colab con GPU gratuita. Para proyectos que requieran más cómputo, hay alternativas como Kaggle o Paperspace.
¿Qué puedo cursar después?
Esta es la diplomatura más avanzada del ecosistema IDSA. Después podés acceder a doctorados, posgrados de investigación o programas de residencia en labs.
Investiga la frontera de la IA
300 horas con foco en matemática avanzada, difusión, DL geométrico y causalidad con DL. Reproducción de paper y doble certificación IDSA + UTN.