Diplomatura en Data Scientist
La trayectoria más completa para resolver problemas de negocio con datos. Machine Learning, causalidad, forecasting y sistemas multiagente en producción. Certificación IDSA + UTN.
Sobre esta Diplomatura
La Diplomatura en Data Scientist forma profesionales capaces de resolver problemas de negocio con datos: desde el análisis exploratorio y la estadística aplicada hasta el modelado de ML, la inferencia causal, el forecasting y los sistemas multiagente. Es el perfil más versátil del ecosistema IDSA.
El foco es la decisión, no el modelo. El Data Scientist no solo construye modelos: define la pregunta correcta, elige la técnica adecuada, cuantifica la incertidumbre y comunica el impacto al negocio. Por eso el trayecto combina ML con causalidad y forecasting.
Es la trayectoria con mayor amplitud de salidas laborales: banca, fintech, retail, salud, agro, telecomunicaciones, gobierno. Todo sector que tome decisiones con datos necesita Data Scientists.
Se apoya en el tutor RAG 24/7 y en notebooks ejecutables con casos LATAM. No requiere experiencia previa en programación, pero sí rigor cuantitativo.
Cinco etapas hacia la práctica profesional
Cada etapa suma una capa: de los fundamentos a la estadística, del ML a la decisión, y de la decisión a la frontera aplicada.
Nivelación matemática, Python y SQL. Las tres competencias mínimas de cualquier perfil data.
Derivadas, regularización, sesgo-varianza y validación cruzada. La base matemática que separa al Data Scientist del aplicador de librerías.
Ciclo de vida de un modelo en producción, sistemas RAG para consulta sobre documentos, e inferencia causal para cuantificar impacto de intervenciones.
Modelos de series temporales de frontera y sistemas multiagente para automatizar flujos analíticos. La capa que diferencia al Data Scientist de frontera.
Un proyecto integrador que combine ML, causalidad o forecasting sobre un dataset real, con despliegue y presentación ejecutiva 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.
SQL para Data Science
El lenguaje universal de los datos. SELECT, JOINs, agregaciones, subconsultas y window functions. Análisis de cohortes, retención y funnels sobre datasets reales.
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.
MLOps y Regresión
Del notebook al pipeline productivo. scikit-learn, FastAPI, Docker, monitoreo de drift y reentrenamiento automático. Proyecto integrador acumulativo.
RAG Fundamentos
Retrieval-Augmented Generation. Búsqueda vectorial desde cero, evaluación con métricas objetivas, mitigación de alucinaciones y despliegue en producción.
Inferencia Causal y Analítica de Negocio
De la correlación a la decisión: DAGs, experimentos A/B, Diferencias-en-Diferencias, matching y uplift modeling para medir el impacto real de una acción y calcular el ROI incremental.
Forecasting Avanzado
Del modelado clásico al Deep Learning: ETS, ARIMA, GARCH, Prophet, LSTM y Transformers, con pronóstico probabilístico y backtesting.
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.
Tres orientaciones en Data Science
La orientación se define por el trabajo final y el énfasis en cada componente del stack.
Data Scientist
Resuelve problemas de negocio con ML, causalidad y forecasting. El perfil más versátil del mercado data.
Causal Inference Scientist
Cuantifica el impacto de intervenciones: experimentos, cuasi-experimentos y datos observacionales.
Applied AI Scientist
Integra modelos clásicos con LLMs, RAG y sistemas multiagente para automatizar flujos analíticos complejos.
Los perfiles son orientativos. El alumno construye su especialización con el trabajo final y los proyectos del Laboratorio de Datos.
Proyecto DS end-to-end
Un proyecto integrador sobre un dataset real: pregunta de negocio, análisis exploratorio, modelado con la técnica adecuada (ML, causalidad o forecasting), despliegue y presentación ejecutiva ante comité técnico.
- 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 | 270h totales |
| Certificación | IDSA + UTN por curso | IDSA + UTN por curso + diploma final |
| Trabajo final aplicado | — | ✓ Obligatorio |
| Publicación en Laboratorio | — | ✓ Elegible |
| Stack completo de DS | Parcial | ✓ SQL + ML + Causalidad + Forecasting + Agentes |
| Perfil empleable en industria | Parcial | ✓ Toda la trayectoria |
Dudas sobre la Diplomatura
¿Necesito experiencia previa en programación?
No. La trayectoria arranca desde la nivelación matemática y los fundamentos de Python y SQL. Solo se requiere matemática de secundaria y rigor cuantitativo.
¿Cuál es la diferencia con la Diplomatura en AI/DL Research Scientist?
Data Scientist forma para industria: resolver problemas de negocio con ML, causalidad y forecasting. AI/DL Research Scientist forma para I+D: reproducir papers, diseñar experimentos, proponer métodos. Comparten 4 cursos base, pero los 5 restantes son distintos.
¿Qué herramientas voy a usar?
Python (scikit-learn, PyTorch), PostgreSQL, MLflow, Docker, Chroma/LangChain, DoWhy, librerías de forecasting (StatsForecast, NeuralForecast) y AutoGen y LangChain para agentes.
¿Cuánto tiempo lleva completarla?
A 10 horas semanales: aproximadamente 27 semanas (7 meses). A 6 horas semanales: 10-11 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.
¿Por qué hay un curso de Sistemas Multiagente en una diplomatura de Data Science?
Porque los Data Scientists de industria ya están construyendo sistemas con LLMs y agentes. Un DS que solo sabe sklearn se queda atrás. Este curso da la capa de frontera aplicada que diferencia al perfil.
¿Cuánto gana un Data Scientist en Argentina?
Según el Observatorio IDSA 2026: Junior $1,55M, Semisenior $2,3M, Senior $3,4M ARS brutos mensuales. El tope del mercado data está en Data Architect Senior con $5M.
¿Qué puedo cursar después?
Los otros cursos del Frontier Program, con acceso directo y sin examen de admisión, o la Diplomatura en AI/DL Research Scientist si querés orientarte a investigación.
Resolvé problemas de negocio con datos
270 horas con foco en ML, causalidad, forecasting y agentes. Trabajo final aplicado y doble certificación IDSA + UTN.