+59%
Crecieron los avisos de ML Engineer contra 2020.
Indeed Hiring Lab · EE.UU.
Machine Learning
Pasá de explicar lo que pasó a predecir lo que va a pasar.
Ya trabajás con datos o código. Ahora te llevamos al siguiente nivel: construir modelos de Machine Learning que se usan de verdad, con datos reales, experimentos y producción.
Part time
10 hs por semana
Martes y jueves de 20 a 22 h
Paso 1 de 4
Sumate a la lista de espera
Te escribimos por mail apenas se abran las inscripciones. Sumarte no tiene costo ni te compromete a nada.
Si ya trabajás con datos o con código, tenés la base.Machine Learning te lleva al siguiente nivel
Además, el rol está cambiando: el ML Engineer se está volviendo alguien que pone modelos en producción, los mantiene y los evalúa, no alguien que entrena un modelo en un notebook y lo deja ahí.
#1
“Desarrollo de modelos y aplicaciones de IA” es la habilidad que más les cuesta encontrar a las empresas en el mundo.
ManpowerGroup 2026
+62%
Pagan en promedio los perfiles con skills de IA.
PwC 2026
La carrera
Qué vas a saber hacer
Que tu modelo no muera en el notebook.
Sobre la carrera
Plantear el problema antes que el modelo: definir qué hay que predecir y para qué decisión de negocio. Es donde más fallan los candidatos en las entrevistas.
Preparar los datos y armar features: la parte del trabajo que más tiempo le lleva a un data scientist, incluso más que modelar.
Entrenar y evaluar modelos de ML supervisado: elegir el modelo correcto, medir si predice bien y darte cuenta de cuándo no sirve.
Medir el impacto con experimentos: A/B testing y causalidad, uno de los focos de las entrevistas en empresas tech.
Llevar el modelo a producción: versionado, empaquetado, CI/CD y serving.
Monitorearlo y mantenerlo: reentrenamiento, monitoreo y evaluación del modelo una vez que está funcionando.
Trabajar con IA y validar lo que produce: los asistentes de IA proponen; vos detectás y corregís los errores.
Defender tu trabajo con evidencia técnica: tal como te lo van a pedir en los procesos de selección.
Proyecto final: vas a terminar con un modelo funcionando en producción, monitoreado y con su impacto medido en un experimento. Un caso real para mostrar en tus entrevistas.
No es para empezar en datos. Es para dar el próximo paso
Para personas con experiencia técnica —developers, analistas de datos o perfiles STEM— que quieren dar el próximo paso: construir modelos de machine learning que predicen, se miden y funcionan en producción.
El analista que quiere predecir
Explicás lo que pasó, pero te piden anticipar lo que va a pasar.
El developer que quiere sumar ML
Sabés deployar cualquier cosa, menos un modelo.
El STEM cuantitativo
Tenés la base, te falta aplicarla en algo que funcione.
Machine Learning
Data Scientist
ML Engineer
Data Scientist de riesgo, crédito o fraude
No es para
- Quien empieza de cero o busca su primer trabajo en datos (eso es la carrera de datos).
- Quien quiere construir con LLMs, RAG o agentes (eso es AI Engineering).
- Quien busca research o deep learning académico.
