Septiembre 2026 · Docente Responsable: Mg. Juan Manuel Fernández
🎯Resultado del TP del curso: tu primer modelo de Machine Learning entrenado y evaluado sobre un dataset abierto elegido por vos, con métricas, análisis de sesgos y la definición del caso de estudio que vas a evolucionar durante los próximos 3 cursos.
| Clase |
Tema |
Actividad práctica |
| 1 |
Presentación del curso (objetivos, modalidad, metodología y trabajo final). Fundamentos de IA: enfoques simbólico, estadístico y conexionista. Tipos de aprendizaje (supervisado, no supervisado, refuerzo) y aplicaciones por sector |
Recorrido en vivo por un clasificador kNN sobre Iris con análisis de la matriz de confusión |
| 2 |
Aprendizaje supervisado: train/validation/test, métricas (accuracy, precision, recall, F1) y preprocesamiento de datos |
Pipeline de preprocesamiento sobre dataset tabular abierto con cross-validation |
| 3 |
Algoritmos clásicos: regresión lineal y logística, árboles de decisión, k-NN |
Comparativa de modelos supervisados sobre dataset propio, con métricas y matriz de confusión |
| 4 |
Métodos de ensamble: random forest y gradient boosting; regularización y overfitting |
Benchmark de ensambles sobre el dataset del curso con curvas de aprendizaje |
| 5 |
Aprendizaje no supervisado: clustering (k-means, jerárquico) y métricas de desempeño |
Taller de Machine Learning: agrupamiento sobre un caso real con visualización de clusters |
| 6 |
Redes neuronales: perceptrón, feed-forward, funciones de activación y backpropagation conceptual |
Taller de redes neuronales: entrenamiento de un MLP sobre dataset propio |
| 7 |
NLP y visión por computadora introductorios: bag-of-words, TF-IDF, embeddings y clasificación de imágenes |
Clasificador de sentimiento sobre texto en español + reconocimiento de imágenes con modelo base |
| 8 |
Cierre: ética y responsabilidad en IA (sesgos algorítmicos, casos COMPAS y reconocimiento facial) + presentación del caso de estudio integrador |
Caso de estudio preliminar del TP final: dataset, objetivo, modelo y métricas, con discusión de sesgos potenciales |
📌Lente estratégica del curso: selección de paradigma — del primer clasificador kNN al diseño end-to-end de un proyecto IA, decidiendo cuándo ML clásico, cuándo deep learning y cuándo LLM según problema, datos y costo.
Octubre 2026 · Docente Responsable: Dr. David Petrocelli
🎯Resultado del TP del curso: el "andamio cloud-native" completo que va a sostener tus modelos de Deep Learning (Curso 3) y tus apps de IA Generativa (Curso 4) en producción — contenedores con GPU, IaC con Terraform, GKE con autoescalado, observabilidad de modelos y pipelines CI/CD. La diferencia entre "un notebook que entrena" y "un sistema de IA que sirve".
| Clase |
Tema |
Actividad práctica |
| 1 |
Presentación del curso (objetivos, modalidad, metodología y trabajo final). Arquitectura híbrida de un sistema de IA: qué vive en GPU y qué vive en CPU, qué se entrena y qué se sirve. Despliegue de cargas de IA sobre Compute Engine. Presentación del repo template provisto por la cátedra (modelo base que se opera en paralelo durante el curso) |
Despliegue en vivo de una carga de IA sobre Compute Engine y deploy del repo template en una segunda instancia para operarla como infra propia |
| 2 |
IaC con Terraform sobre GCP: VPC, Compute Engine, Persistent Disk, IAM y Secret Manager para workloads stateful |
Construcción guiada de un módulo Terraform reutilizable para un training job sobre GCP, con tfvars dev/prod y plan validado en clase |
| 3 |
Terraform avanzado en GCP: módulos reutilizables, workspaces (dev/staging/prod) y patrones multi-environment |
Armado en vivo de un módulo Terraform que aprovisiona un pipeline de training en Vertex AI con backend remoto en GCS y secretos gestionados |
| 4 |
CI/CD con GitHub Actions: build, test, deploy de imágenes y promoción dev→prod con OIDC |
Armado en clase de un pipeline GitHub Actions que entrena un modelo en cada push, lo registra en MLflow y promueve la imagen a Artifact Registry |
| 5 |
Kubernetes con GKE (Google Kubernetes Engine): Helm charts, persistent volumes y StatefulSets para workloads stateful |
Despliegue guiado de un Helm chart para servir un modelo Hugging Face en GKE con autoescalado, Service e Ingress público |
| 6 |
Observabilidad ML: latencia, throughput, drift de datos y métricas de modelo con Cloud Monitoring + Prometheus + Grafana |
Construcción en vivo de un dashboard Grafana con métricas clave del modelo en producción y alertas configuradas sobre drift y latencia |
| 7 |
Inferencia gestionada en GCP: Vertex AI Endpoints y Cloud Run con GPU; comparativa cold start vs costo y patrones de serving |
Despliegue del mismo modelo en Vertex AI Endpoint y en Cloud Run con GPU, midiendo y comparando cold start, latencia y costo |
| 8 |
Cierre: FinOps ML y revisión por pilares de buena arquitectura cloud (Google Cloud Architecture Framework, con guiños comparativos a AWS Well-Architected ML Lens y Azure Well-Architected). Handoff a Curso 3: el andamio queda listo para hostear los modelos de Deep Learning |
Revisión en clase del andamio cloud-native desplegado bajo los pilares del Google Cloud Architecture Framework, con priorización colaborativa de remediaciones antes del handoff al Curso 3 |
📌Lente estratégica del curso: qué necesitás de la nube para que tu IA funcione en producción — Compute Engine con GPU, contenedores, IaC con Terraform, GKE y observabilidad de modelos. La diferencia entre "un notebook que entrena" y "un sistema de IA que sirve".
Noviembre 2026 · Docente Responsable: Dra. Rosana Matuk
🎯Resultado del TP del curso: tu modelo de Deep Learning propio (CNN o LSTM) entrenado en GPU cloud sobre dataset real, con transfer learning desde una red preentrenada, métricas validadas e interpretabilidad explicada con SHAP y Grad-CAM. La base sobre la que el Curso 4 va a construir tu sistema de IA Generativa.
| Clase |
Tema |
Actividad práctica |
| 1 |
Presentación del curso (objetivos, modalidad, metodología y trabajo final). Redes feedforward y backpropagation: gradiente, activaciones (ReLU, GELU), optimizadores (SGD, Adam, AdamW) y schedulers |
MLP en PyTorch entrenado sobre MNIST, con comparación de optimizadores y curvas de loss/accuracy analizadas en clase |
| 2 |
Regularización y control de sobreajuste: dropout, BatchNorm, weight decay, early stopping y validación cruzada |
Ablation study guiado de las técnicas de regularización sobre un MLP, midiendo el impacto de cada una en validación |
| 3 |
Redes convolucionales: convolución, pooling, arquitecturas (LeNet, VGG, ResNet) y data augmentation |
CNN desde cero sobre CIFAR-10 y comparación contra una ResNet preentrenada con transfer learning |
| 4 |
Transfer learning y fine-tuning: feature extraction vs full fine-tune, congelado de capas e ImageNet como base |
ResNet-18 fine-tuned sobre dataset propio de pocas clases, con matriz de confusión y análisis de errores |
| 5 |
Redes recurrentes: RNN, LSTM y GRU; vanishing gradient, teacher forcing y secuencias largas |
LSTM para predicción sobre serie temporal pública (demanda eléctrica o similar) con backtesting |
| 6 |
Optimización de hiperparámetros: grid search, random search, búsqueda bayesiana con Optuna |
Optimización con Optuna del modelo de la clase anterior, con reporte de la mejor configuración hallada |
| 7 |
Interpretabilidad de modelos: SHAP, LIME, Grad-CAM y visualización de activaciones intermedias |
Análisis SHAP sobre la LSTM de clase 5 y Grad-CAM sobre la CNN de clase 3, con comentarios técnicos discutidos en clase |
| 8 |
Cierre: modelos avanzados (introducción a Transformers como puente al Curso 4) y arquitecturas híbridas |
Caso de estudio preliminar del TP integrador: dataset elegido, arquitectura propuesta, estrategia de entrenamiento y plan de evaluación, presentado en clase |
📌Lente estratégica del curso: elección de arquitectura — CNN para imágenes, LSTM para secuencias, transfer learning para acelerar; entrenamiento real en GPU cloud, hyperparameter tuning con Optuna e interpretabilidad con SHAP y Grad-CAM antes de saltar a Transformers en el Curso 4.
Diciembre 2026 · Docente Responsable: Mg. Diego Gasch
🎯Resultado del TP del curso: tu sistema GenAI propio — con RAG sobre corpus propio, agentes con tool use y MCP, montado sobre LLM gestionado (OpenAI/Google/Anthropic) o LLM open-source desplegado en GPU cloud (Vertex AI / Vast.ai), corriendo sobre el andamio del Curso 2. Listo para la defensa del Proyecto Integrador Final.
| Clase |
Tema |
Actividad práctica |
| 1 |
Presentación del curso (objetivos, modalidad, metodología y trabajo final). Modelos de gestión de LLM: local, pipeline, API gestionada y web. Del Transformer del Curso 3 al LLM productivo: continuidad técnica |
Setup del entorno + definición del caso de estudio del TP Integrador Final (template), tomando como base el modelo del Curso 3 |
| 2 |
Programación con LLMs vía API: OpenAI, Anthropic, Google GenAI, Hugging Face. Prompt engineering avanzado (zero/few-shot, chain-of-thought, ReAct) |
Notebook comparando 4 técnicas de prompting sobre el mismo problema, con métricas de calidad y latencia |
| 3 |
Modelos generativos multimodales: difusión (Stable Diffusion), generación de imágenes y audio (TTS con Coqui/HF) |
Generación multimodal con openai, google-genai, transformers y diffusers integrados en un único notebook |
| 4 |
Despliegue de LLMs open-source en cloud: Ollama y vLLM sobre GCP, Vast.ai para GPU on-demand y Vertex AI managed |
Ollama en Compute Engine CPU + Vast.ai con GPU + Vertex AI Endpoint, con comparativa de costos, latencia y throughput |
| 5 |
FastAPI + Docker + GKE para LLMs: GPU scheduling en Kubernetes, testing con pytest y despliegue sobre el andamio del Curso 2 |
API FastAPI con Ollama containerizada, tests automatizados y deploy en GKE con GPU |
| 6 |
Agentes IA y automatización low-code: n8n, function calling, patrones de orquestación y memoria |
Pipeline n8n integrando un LLM con tres herramientas externas para resolver una tarea de extremo a extremo |
| 7 |
Protocolo MCP (Model Context Protocol) y RAG con LangChain, LangGraph y LlamaIndex: embeddings, chunking, reranking y vector DBs |
RAG sobre corpus propio + agente MCP en GCP con observabilidad básica (logs y métricas) |
| 8 |
Cierre e integración del sistema GenAI: pulido del RAG, mejora de prompts, observabilidad del agente y completar documentación del repo |
Pulido final en clase del sistema GenAI propio (RAG + agente MCP + LLM en GPU) y entrega del repo público completo para la defensa posterior del PIF |
📌Lente estratégica del curso: RAG vs fine-tuning vs prompt engineering — cuándo cada estrategia, costos comparativos y construcción de un sistema GenAI real combinando las tres con LangChain, agentes y MCP, todo desplegado sobre el andamio cloud-native del Curso 2.
¿Y la estrategia? — Versión cronograma
Cada clase entrega un artefacto reproducible: notebook, repo público, modelo registrado en MLflow, dashboard Grafana, informe técnico. Las 32 clases construyen el Proyecto Integrador Final desde la primera semana — la última clase no es "el cierre del programa", es la defensa de algo que se vino construyendo en cada entregable. El alumno egresa con repos públicos, modelos propios entrenados y un sistema IA desplegado con documentación completa.
