Curso académico · 120 horas

Ciencia de datos + IA

Ruta práctica para diseñar, entrenar y desplegar modelos de IA en aplicaciones de nube, móviles y hardware embebido, con buenas prácticas de ingeniería de software

Mapa visual del curso Ciencia de datos e inteligencia artificial

Perfil de egreso

El estudiante será capaz de construir soluciones de IA desde datos y modelos hasta producto desplegable, integrando control de versiones, arquitecturas modernas, APIs, MLOps y optimización para Edge AI

Resultados de aprendizaje

Competencias tecnológicas

Fundamentación Matemática: Aplicar estadística descriptiva e inferencial y álgebra lineal en la optimización y vectorización de datos

Ingeniería de Software: Dominar el lenguaje Python, control de versiones colaborativo (Git/GitHub) y gestión de bases de datos relacionales y vectoriales

Modelado Avanzado: Entrenar y evaluar arquitecturas de Machine Learning y Deep Learning, incluyendo redes convolucionales y Transformers

IA Generativa y NLP: Orquestar modelos de lenguaje grandes (LLMs), técnicas avanzadas de NLP y arquitecturas de sistemas multi-agente

MLOps y Despliegue: Productivizar prototipos mediante contenedores, APIs eficientes y optimización para hardware embebido y dispositivos móviles

Estructura curricular

Módulos del curso

01 20 h

Fundamentos, programación y datos

Python, Jupyter, Colab, NumPy, Pandas, SciPy, SQLAlchemy, ChromaDB

Análisis exploratorio, vectorización e indexación en base de datos vectorial

02 20 h

ML clásico y colaboración

Git, GitHub, VS Code, Scikit-Learn, XGBoost, LightGBM, Joblib

Repositorio técnico con pipeline de preprocesamiento, entrenamiento y evaluación

03 25 h

Deep Learning y visión

PyTorch, Torchvision, OpenCV, Ultralytics YOLO, Timm

Clasificador o detector con Transfer Learning, métricas y curvas de validación

04 20 h

NLP, LLMs y Hugging Face

Transformers, Accelerate, LangChain, LlamaIndex, Sentence-Transformers, Ollama

Sistema RAG local que consulta documentos técnicos con un LLM cuantizado

05 15 h

Agentes inteligentes

CrewAI, LangGraph, AutoGen, APIs de LLMs

Sistema multi-agente para investigación, redacción técnica y reportes estructurados

06 20 h

MLOps, despliegue y Edge AI

FastAPI, Docker, Render, AWS, ONNX Runtime, TensorRT, CoreMLTools

Proyecto final end-to-end con API, contenedor, despliegue y documentación

Producto final

Prototipo IA end-to-end

El cierre integra un modelo entrenado, una API en FastAPI, contenedorización con Docker, despliegue en nube o simulación Edge, y documentación técnica reproducible en repositorio

FastAPI Docker ONNX RAG Edge AI