Diplomatura en Computer Vision
Dominá el procesamiento y análisis de imágenes y video: CNNs, detección de objetos, segmentación, OCR y difusión generativa. Certificación IDSA + UTN.
Sobre esta Diplomatura
La Diplomatura en Computer Vision forma profesionales capaces de diseñar, implementar y desplegar sistemas de visión por computadora: clasificación, detección, segmentación, OCR y modelos generativos. Se compone de cuatro etapas más un trabajo final (210 h).
Cubre el ciclo completo: desde los fundamentos matemáticos de las convoluciones hasta el despliegue en producción y la generación de imágenes con modelos de difusión.
Es una trayectoria con demanda creciente en LATAM: agro, seguridad, salud, retail e industria necesitan perfiles de CV, y la oferta formativa específica en la región es muy limitada.
Se apoya en el tutor RAG 24/7 y en notebooks con GPU. No requiere experiencia previa en CV, pero sí bases sólidas de Python y ML.
Cinco etapas hacia la visión artificial
Cada etapa aporta una capa de profundidad técnica. El foco está puesto en el ciclo completo: desde convoluciones hasta despliegue y generación.
Nivelación matemática aplicada a Data Science y fundamentos de Python. La base sobre la que se construye todo el rigor posterior.
Ciclo completo de vida de un modelo y la matemática detrás de la regularización, el sesgo-varianza y el deep learning. La base técnica indispensable para entender CV moderna.
Los fundamentos matemáticos de los modelos de difusión (DDPM) y su aplicación a la generación y aumento de imágenes.
Clasificación con transfer learning, detección (YOLO, DETR), segmentación (U-Net, SAM), OCR y despliegue de modelos de visión en cloud.
Un sistema de visión por computadora desplegado, con datos reales y defensa frente a comité técnico. Idealmente con aplicación concreta en agro, salud, seguridad o retail LATAM.
Qué vas a aprender, curso por curso
Cada curso se cursa y certifica de forma individual. Al aprobar los siete 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.
MLOps y Regresión
Del notebook al pipeline productivo. scikit-learn, FastAPI, Docker, monitoreo de drift y reentrenamiento automático. Proyecto integrador acumulativo.
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.
Computer Vision Aplicada
Pipeline de visión end-to-end: clasificación con transfer learning, detección (YOLO, DETR), segmentación (SAM, U-Net), OCR, detección de anomalías y serving optimizado.
Cloud para ML y Datos
Fundamentos de cloud aplicados a datos y ML: cómputo, almacenamiento, redes, IAM, servicios gestionados y buenas prácticas de despliegue en AWS, GCP y Azure.
Tres orientaciones en visión artificial
La orientación se define por el trabajo final y el énfasis en cada tecnología del stack.
Computer Vision Engineer
Implementación de sistemas de visión: clasificación, detección, segmentación y OCR con modelos modernos.
Generative Vision Engineer
Modelos generativos de imágenes: difusión, generación de datos sintéticos y edición de imágenes.
CV Deployment Engineer
Despliegue de modelos de visión en producción: cloud, edge, tiempo real y optimización de latencia.
Los perfiles son orientativos. El alumno construye su especialización con el trabajo final y los proyectos del Laboratorio de Datos.
Sistema de visión completo
Un proyecto integrador sobre un caso real: desde el dataset hasta el despliegue, con evaluación objetiva y defensa frente a comité técnico. Aplicaciones típicas en agro, salud, seguridad y retail LATAM.
- 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
Detección de plagas en cultivos
YOLO sobre imágenes de drones en agro LATAM
Detección de cáncer en imágenes médicas
CNN con transfer learning sobre datasets clínicos
Control de calidad industrial
Segmentación con U-Net en líneas de producción
Generación de datos sintéticos
Difusión para aumentar datasets escasos
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 | 15-30h por curso | 210h totales |
| Certificación | IDSA + UTN por curso | IDSA + UTN por curso + diploma final |
| Trabajo final aplicado | — | ✓ Obligatorio |
| Publicación en Laboratorio | — | ✓ Elegible |
| Stack completo de Computer Vision | Parcial | ✓ CNNs + Detección + Segmentación + Difusión |
| Despliegue en cloud | Parcial | ✓ Incluido en Etapa 4 |
Dudas sobre la Diplomatura
¿Necesito experiencia previa en Computer Vision?
No. La trayectoria arranca desde la nivelación matemática y construye progresivamente hasta detección y segmentación. Solo se requiere matemática de secundaria y ganas de aprender.
¿Necesito GPU propia?
No. Los notebooks del programa se ejecutan en Google Colab con GPU gratuita. Para proyectos que requieran más cómputo, hay alternativas como Kaggle, Paperspace o créditos gratuitos de clouds.
¿Qué herramientas voy a usar?
Python, PyTorch, TorchVision, Ultralytics (YOLO), Transformers (DETR), Segment Anything, Diffusers, MLflow, Docker y Google Colab. Todo accesible desde el navegador.
¿Cuánto tiempo lleva completarla?
A 10 horas semanales: aproximadamente 21-22 semanas (5 meses). A 6 horas semanales: 8-9 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 7 cursos más el trabajo final, se emite el diploma de la diplomatura.
¿En qué industrias puedo trabajar?
Computer Vision tiene aplicaciones en agro (detección de plagas, conteo de ganado), salud (diagnóstico por imágenes), seguridad (videovigilancia), retail (análisis de góndolas, control de stock), industria (control de calidad) y muchas más. Es una de las especializaciones con mayor demanda sectorial.
¿Por qué hay un curso de difusión en una diplomatura de Computer Vision?
Porque los modelos de difusión (DDPM, Stable Diffusion) son hoy la técnica de frontera para generación y aumento de imágenes. Se usan para crear datasets sintéticos cuando escasean datos reales, para edición y para data augmentation avanzado.
¿Qué puedo cursar después?
La Diplomatura en AI Engineer o la Diplomatura en Data Scientist, con acreditación directa de los cursos comunes. Al completarla también tenés acceso directo, sin examen de admisión, a los cursos del Frontier Program (especialmente Aprendizaje Profundo Geométrico).
Enseñale a las máquinas a ver
210 horas con foco en CNNs, detección, segmentación y difusión. Trabajo final aplicado y doble certificación IDSA + UTN.