Diplomatura en ML Engineer
Del notebook al pipeline desplegado. MLOps, cloud, RAG avanzado y sistemas de ML en producción con monitoreo, orquestación y escalabilidad. Certificación IDSA + UTN.
Sobre esta Diplomatura
La Diplomatura en ML Engineer forma profesionales capaces de llevar modelos de machine learning a producción real: pipelines reproducibles, serving escalable, monitoreo de drift, CI/CD y sistemas de IA generativa desplegados. Es el perfil de infraestructura de ML del ecosistema IDSA.
El foco es la confiabilidad, no la experimentación. El ML Engineer no descubre modelos: los lleva de un notebook a un sistema que responde en milisegundos, se monitorea y se reentrena. Por eso el trayecto combina MLOps, cloud, orquestación y sistemas RAG de producción.
Es uno de los roles con mayor crecimiento y mejores salarios del mercado data. Toda empresa que use ML en producción necesita ML Engineers, y la oferta de profesionales formados es escasa incluso a nivel global.
Se apoya en el tutor RAG 24/7 y en entornos reales de nube y Kubernetes.
Cinco etapas hacia la producción de ML
Cada etapa suma una capa: de los fundamentos al rigor estadístico, de la IA generativa a la producción, y de la producción al techo técnico de la trayectoria.
Nivelación matemática y fundamentos de Python. Las competencias mínimas para construir cualquier sistema de ML en producción.
Ciclo de vida de un modelo y la matemática que sostiene la regularización, el sesgo-varianza y el deep learning. La base técnica indispensable para producción.
RAG desde cero hasta optimización, más fine-tuning eficiente de LLMs con LoRA y PEFT. El stack generativo completo para producción.
Despliegue en cloud, Kubernetes, serving con KServe, feature stores y monitoreo de drift.
Un sistema de ML completo desplegado: pipeline reproducible, serving, monitoreo, reentrenamiento automático y plan de escalabilidad.
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.
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.
RAG Fundamentos
Retrieval-Augmented Generation. Búsqueda vectorial desde cero, evaluación con métricas objetivas, mitigación de alucinaciones y despliegue en producción.
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.
Fine-tuning de LLMs y Prompt Engineering
Prompt engineering avanzado, LoRA/QLoRA, instruction tuning, evaluación de LLMs con LLM-as-judge, guardrails y function calling.
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.
MLOps Avanzado: Kubernetes y Feature Store
Plataforma MLOps completa sobre Kubernetes: serving con KServe, Feature Store con Feast, MLflow, Kubeflow Pipelines y monitoreo de drift con Evidently y Prometheus.
Tres orientaciones en ingeniería de ML
La orientación se define por el trabajo final y el énfasis en cada componente del stack de producción.
ML Engineer
Lleva modelos a producción: pipelines reproducibles, serving, monitoreo y reentrenamiento automático.
MLOps Engineer
Construye la plataforma de ML: infraestructura, orquestación, observabilidad y escalabilidad.
LLM Ops Engineer
Opera sistemas de IA generativa en producción: RAG a escala, fine-tuning y evaluación continua.
Los perfiles son orientativos. El alumno construye su especialización con el trabajo final y los proyectos del Laboratorio de Datos.
Pipeline productivo real
Un sistema de ML completo desplegado: ingesta y preparación de datos, entrenamiento reproducible, serving escalable, monitoreo con alertas, reentrenamiento automático y plan de escalabilidad. Incluye documentación técnica y defensa ante comité.
- 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 | 15-30h 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 ML Eng | Parcial | ✓ MLOps + Cloud + K8s + RAG + FT |
| Sistemas de IA generativa en producción | Parcial | ✓ Toda la trayectoria |
Dudas sobre la Diplomatura
¿Necesito experiencia previa en ingeniería o DevOps?
No. La trayectoria arranca desde la nivelación matemática y los fundamentos de Python. Solo se requiere matemática de secundaria, ganas de aprender y comodidad con herramientas técnicas.
¿Qué herramientas voy a usar?
Python (scikit-learn, PyTorch), MLflow, DVC, FastAPI, Docker, Kubernetes, KServe, Kubeflow, Feast, Evidently, Prometheus, AWS/GCP, Chroma/LangChain, Hugging Face y PEFT. Todo con entornos accesibles desde el navegador.
¿Necesito instalar algo en mi computadora?
No. Los entornos de práctica se ejecutan en la nube o en contenedores accesibles desde el navegador. Solo necesitás conexión a internet.
¿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.
¿Cuál es la diferencia con la Diplomatura en AI Engineer?
AI Engineer se enfoca en construir sistemas generativos (RAG, agentes, fine-tuning, difusión). ML Engineer se enfoca en llevarlos a producción a escala: MLOps, Kubernetes, feature stores, serving, observabilidad. Comparten varios cursos, pero el foco final es distinto: uno construye, el otro opera.
¿Qué industrias demandan este perfil?
Bancos, fintech, retail, telecomunicaciones, salud, industria y cualquier organización que tenga modelos de ML en producción. También empresas de tecnología, consultoras y startups de IA.
¿Qué puedo cursar después?
Es una diplomatura terminal del ecosistema IDSA en el área de producción de ML. Al completarla tenés acceso directo a los cursos del Frontier Program, sin examen de admisión. También podés especializarte en gobernanza.
Llevá modelos a producción a escala
270 horas con foco en MLOps, cloud, Kubernetes y sistemas RAG en producción. Trabajo final de pipeline productivo y doble certificación IDSA + UTN.