Diplomatura
en
Ciencia de Datos, Aprendizaje Automático
y sus Aplicaciones

Materias

2019
Análisis y Visualización de Datos
Milagro Teruel y Soledad Palacios
5, 6, 19, 20 de abril

Análisis Exploratorio y Curación de Datos
Gabriel Miretti, Edgardo Hames, Mariano de León Domínguez
3, 4, 17 y 18 de mayo

Introducción al Aprendizaje Automático
Jorge Sánchez y Franco Luque
31 de mayo, 1, 14 y 15 de junio

Aprendizaje Supervisado
Matías Marenchino y Cristian Cardellino
28 y 29 de junio, 26 y 27 de julio

Aprendizaje No Supervisado
Laura Alonso Alemany, Georgina Flesia y Valeria Rulloni
9, 10, 23 y 24 de agosto


Materias Optativas

Análisis de Series Temporales
6, 7, 13 y 14 de septiembre
Matías Marenchino, Gabriel Miretti (Mahisoft, Bitlogic)

Aprendizaje Automático Profundo (Deep Learning)
4, 5, 11 y 12 de octubre
Milagro Teruel y Cristian Cardellino (UNC, Santex)

Aprendizaje por Refuerzos
18, 19, 25 y 26 de octubre
Jorge Palombarini, Juan Barsce, Ezequiel Beccaria (Universidad Nacional de Villa María)

Sistemas de Recomendación
1, 2, 8 y 9 de noviembre
Cristian Cardellino y Luis Biedma (UNC, Santex, Invera)

Redes Convolucionales en visión por computadoras
15, 16, 22 y 23 de noviembre
Jorge Sánchez y Pablo Pastore (UNC, Deep Vision)

Programación Distribuida sobre Grandes Volúmenes de Datos
29 y 30 de noviembre, 6 y 7 de diciembre
Damián Barsotti (UNC)

Data Engineering (A survival kit for Data Scientists)
8 y 9 de noviembre (8 horas)
Ezequiel Orbe (Jampp)

Despliegue de sistemas predictivos
1 y 2 de noviembre (8 horas)
Pablo Pastore y Matías Silva (Deep Vision)

Soluciones Basadas En Datos

Formación Práctica

Proveer a los estudiantes el conocimiento y las herramientas para entender y aplicar técnicas analíticas apropiadas para la transformación y el análisis de datos. Emplear con eficiencia técnicas estadísticas y de aprendizaje automático para análisis de datos. Conocer, diseñar e implementar soluciones basadas en aprendizaje automático. Desarrollar habilidades para abordar efectivamente tareas que involucren grandes conjuntos de datos. Evaluar y comunicar efectivamente los resultados del tratamiento de datos, interpretación, alcances e implicaciones de los resultados obtenidos.

  • python, R, spark

  • resolución de problemas, trabajo con datasets

  • provenientes de industria y academia

  • La presente Diplomatura no constituye una carrera universitaria y por tanto no otorga título habilitante para el ejercicio profesional

Preguntas frecuentes