Data Science
(*) UCEMA ON se reserva el derecho de actualizar el monto de los posgrados y de las cuotas debido al contexto inflacionario imperante como así también cuando el aumento de los costos de la universidad así lo requieran.
Fundamentos del Posgrado
En un mundo digital donde se generan grandes volúmenes de datos, los sectores públicos y privados están impulsando estrategias “data-driven”, que requieren habilidades avanzadas en ciencia de datos. En consecuencia, tanto empresas, organizaciones del tercer sector y gobiernos, demandan profesionales que puedan extraer valor de datos complejos, identificar mejores oportunidades, predecir tendencias e incrementar su eficiencia. Ante esta creciente demanda en el mercado laboral, el Posgrado en Data Science no solo busca brindar herramientas (Python, SQL, Machine Learning), sino que integra el pensamiento analítico con la resolución de problemas reales. Los interesados en incursionar en esta disciplina contarán con:
- Competencias técnicas y analíticas: Herramientas estadísticas, habilidad en lenguajes de programación (Python y SQL) y conocimiento de visualización de datos y storytelling.
- Experiencia práctica con impacto: Aprendizaje con proyectos y casos reales de empresas.
- Visión estratégica y de negocio: Formación en mentalidad data-driven y de transformación digital para liderar cambios en organizaciones.
- Redes profesionales: Acceso a una comunidad activa de expertos, docentes y referentes de la industria que potencian la carrera profesional.
El objetivo final es que cada egresado no solo sepa “hacer ciencia de datos”, sino también aplicarla con sentido, ética y visión de valor.
Director
Plan de Estudios
Las clases se dictarán de forma sincrónica online, una vez por semana, y se estiman 8 horas de dedicación semanal: encuentros sincrónicos de 2.5 hs + aprendizaje asincrónico a través de una plataforma de educación online (Moodle), que también se utilizará para la comunicación y acompañamiento docente y con los tutores.
Cada módulo está diseñado para ofrecer a los participantes la oportunidad de aplicar inmediatamente lo aprendido en situaciones prácticas y relevantes, a través de material audiovisual, estudios de casos y aprendizaje basado en proyectos.
IMPORTANTE: En consonancia al enfoque aplicado del posgrado y la profundidad esperada de los contenidos a tratar en cada módulo, se recomienda que los aspirantes cuenten con conocimientos previos básicos que les permitan aprovechar la cursada sin partir desde cero. Se espera que los estudiantes posean nociones elementales de matemática y estadística (interpretación de gráficos, conceptos básicos de probabilidad y estadística descriptiva), familiaridad con el uso de herramientas digitales y planillas de cálculo, y capacidad de lectura comprensiva de textos técnicos, incluyendo material introductorio en inglés. No se requiere experiencia previa en programación o ciencia de datos, ya que los fundamentos se abordan en los módulos iniciales; sin embargo, la cursada asume una dedicación sostenida, aprendizaje activo y disposición para la aplicación práctica.
El posgrado se estructura en: 7 Módulos + la entrega de un Trabajo Final Integrador.
Módulo 1: Estadística Aplicada y Probabilidad
Se brindará a los alumnos los fundamentos conceptuales y prácticos de la estadística y la probabilidad necesarios para comprender, analizar y modelar datos en proyectos reales de Data Science.
Contenidos mínimos:
- Variables aleatorias y distribuciones (Normal, Binomial, Poisson).
- Teorema de Bayes y probabilidad condicional.
- Inferencia estadística: intervalos de confianza y estimadores.
- Pruebas de hipótesis y significancia estadística.
- Regresión lineal simple/múltiple y validación de supuestos.
Módulo 2: Fundamentos de Programación en Python y SQL
Se introducirán las bases de programación necesarias para desenvolverse en proyectos de Data Science. Los alumnos aprenderán a manipular datos, realizar consultas SQL y utilizar Python como herramienta central para el análisis y extracción de información. Se enfoca en desarrollar competencias prácticas para trabajar con bases de datos y preparar datasets para etapas posteriores del ciclo analítico.
Contenidos mínimos:
- Sintaxis y estructuras de datos en Python (listas, diccionarios, pandas).
- Manipulación y limpieza de datos con pandas y numpy.
- Fundamentos de SQL: SELECT, JOIN, GROUP BY.
- Consultas avanzadas: subconsultas, CTE, funciones agregadas.
- Integración Python–SQL: extracción y análisis de datos.
Módulo 3: Ingeniería de Datos, Gobernanza de Datos
Se introducirán los principios, procesos y herramientas esenciales para diseñar, construir y gestionar arquitecturas de datos modernas. Los alumnos comprenderán cómo se integran, transforman y organizan los datos dentro de una organización, y cómo las prácticas de gobernanza garantizan su calidad, trazabilidad, seguridad y uso responsable.
Contenidos mínimos:
- Procesos ETL y pipelines de datos.
- Calidad de datos: métricas y técnicas de profiling.
- Arquitecturas de datos: Data Warehouse vs Data Lake.
- Gobernanza de datos: privacidad, compliance, acceso y linaje.
- Herramientas modernas: Airflow, dbt, Glue (visión general).
Módulo 4: Visualización de Datos & Storytelling
Se desarrollará la capacidad de transformar datos en información visual clara y en historias comprensibles que generen impacto en distintos públicos, desde equipos técnicos hasta niveles ejecutivos.
Contenidos mínimos:
- Principios de visualización (claridad, escalas, sesgos visuales).
- Herramientas de visualización (Matplotlib, Seaborn, Power BI/Tableau).
- Elección de gráficos según tipo de dato y objetivo.
- Storytelling con datos: narrativa orientada a negocio.
- Dashboards interactivos y métricas clave (KPIs).
Módulo 5: Machine Learning Supervisado/No Supervisado
Se introducirán los conceptos, técnicas y algoritmos fundamentales del Machine Learning supervisado y no supervisado. Los alumnos aprenderán a desarrollar modelos predictivos para problemas de clasificación y regresión, comprendiendo tanto la teoría como la práctica necesaria para entrenarlos, evaluarlos y optimizarlos. Se trabajará con datos reales y con herramientas ampliamente utilizadas en la industria.
M5.1 - Machine Learning Supervisado (5 clases)
Contenidos mínimos:
- Fundamentos de ML: train/test split, overfitting/underfitting.
- Modelos de regresión (lineal, logística).
- Árboles de decisión y random forest.
- Gradient boosting (XGBoost, LightGBM).
- Evaluación de modelos: ROC, F1, precisión, recall.
M5.1 - Machine Learning No Supervisado (5 clases)
Contenidos mínimos:
- Clustering con K-Means y DBSCAN.
- Reducción de dimensionalidad (PCA, t-SNE).
- Métodos jerárquicos de clustering.
- Detección de anomalías.
- Aplicaciones: segmentación de clientes, sistemas de recomendación básicos.
Módulo 6: MLOps, FinOps, Monetización y Explicabilidad de Modelos
Se introducirá a los estudiantes en los desafíos reales de llevar modelos de Data Science a producción, gestionarlos de manera eficiente, explicar sus resultados y generar valor económico sostenible a partir de ellos. Se tratará el ciclo de vida completo del modelo en entornos productivos, incorporando nociones clave de MLOps, optimización de costos (FinOps), explicabilidad de modelos (Explainable AI) y estrategias de monetización de soluciones basadas en datos
Contenidos mínimos:
- Ciclo de vida del modelo en producción (MLOps).
- Monitoreo y retraining de modelos en producción.
- FinOps: optimización de costos en infraestructura de datos/ML.
- Explainable AI (SHAP, LIME).
- Estrategias de monetización de modelos de datos.
Módulo 7: Comunicación Inteligente para Líderes de Datos/Ética & IA Responsable
Se enfocará en el desarrollo de habilidades de comunicación, liderazgo y pensamiento estratégico aplicadas a contextos data driven. En el transcurso de las clases, los alumnos aprenderán a transformar datos en mensajes claros, accionables y orientados a la toma de decisiones, fortaleciendo su rol como articuladores entre equipos técnicos, de negocio y stakeholders.
Contenidos mínimos:
- Servicio al Cliente Interno
- La “última milla”
- Oportunidades de Negocio y Narrativa con datos
- Liderazgo y Gestión de Proyectos Data Drive
- Ética, IA Responsable
Quiénes eligen el posgrado
El posgrado está orientado principalmente a profesionales de economía, negocios, ingeniería no informática, analítica de negocios y perfiles de BI junior que buscan reconvertir su perfil profesional hacia áreas con alta demanda como ciencia de datos, inteligencia artificial o analítica de negocio. También abarca a los ámbitos de desempeño como ciencias sociales, salud, derecho y gestión pública, lo que enriquece el enfoque interdisciplinario del programa.
Dado que el programa invita a participantes con formaciones diversas, algunos módulos de mayor complejidad técnica —como Ingeniería de Datos, Machine Learning y MLOps— pueden resultar más demandantes para perfiles no técnicos. Por este motivo, la propuesta académica contempla instancias de acompañamiento pedagógico mediante material nivelatorio, ejercicios guiados y espacios de tutoría (opcionales), con el objetivo de asegurar una comprensión progresiva de los contenidos y un adecuado aprovechamiento de la cursada.
¿En qué posiciones pueden desempeñarse quienes egresan del Posgrado?
El egresado del Posgrado en Data Science está preparado para asumir roles estratégicos y técnicos en organizaciones que buscan aprovechar el valor de los datos. Está capacitado para participar de proyectos de analítica avanzada, automatización de procesos, desarrollo de modelos predictivos y creación de soluciones basadas en inteligencia artificial.
Entre las posiciones más comunes se destacan: Data Scientist, Data Analyst, Machine Learning Engineer, Data Engineer y BI Analyst. Además, puede acceder a roles de liderazgo o consultoría como Innovation Manager, Chief Data Officer, Product Owner de Datos o como responsable de iniciativas de transformación digital. El enfoque práctico del posgrado, sumado al aprendizaje con casos reales y la interacción con referentes de distintas industrias, permitirá a los participantes insertarse en sectores como tecnología, finanzas, salud, retail, agroindustria, sector público y consultoría, entre otros.
Profesores
Certificaciones de Posgrado
La Universidad del CEMA extenderá la certificación del Posgrado a quienes completen satisfactoriamente todos los requerimientos de cursada y aprobación de acuerdo con la política académica de la UCEMA.
Medios de pago
Al abrir tu factura podrás hacer click en el enlace y abonar con tarjeta de débito o crédito de:
Transferencia Bancaria desde el exterior
Enviar el comprobante a cobranzas para poder imputar el pago.
Cobranzas:
+54 9 11 3640-0763
cobranzas@ucema.edu.ar
Banco intermediario
//ABA 026005092
PNBPUS3NNYC
WELLS FARGO
N.A
NEW YORK, USA
Banco beneficiario
//2000192262534
BSCHARBA
Banco Santander Río SA
Buenos Aires, Argentina
Banco Santander
Número de Cuenta CC en Pesos 760-000981/6
Número de CBU 0720760220000000098168
Alias UCEMA.TRANSFERENCIA
Razón Social AC UNIVERSIDAD DEL CEMA
CUIT/CUIL 30659192647
Relaciones estratégicas
La Escuela de Negocios de la Universidad del CEMA mantiene estrecha vinculación con Empresas, Organismos y Cámaras, y pone a disposición de sus colaboradores acuerdos corporativos que contemplan descuentos sobre los aranceles para los alumnos, independientemente de quién financie el programa.