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.
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.
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.
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.
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).
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.
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 diez 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 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.
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.
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.
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.
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.
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
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.
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).
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 datos estructurados como grafos y objetos 3D.
Causal AI Researcher
Investigación en causalidad con deep learning: identificación y estimación de efectos con modelos modernos.
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 | 322h 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 | ✓ Matemática + DDPM + DLG + Causal DL |
| 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 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.