El curso introduce las prácticas y herramientas clave para implementar soluciones de ciencia de datos en entornos reales de producción. Combina teoría y práctica para que los estudiantes puedan desarrollar, versionar, desplegar y mantener modelos de machine learning de manera robusta y escalable.

Versionado y despliegue con Git, Docker y Streamlit; arquitectura web y servidores; orquestación de tareas con Airflow; desarrollo en la nube (AWS, EC2, S3, ECS, RDS); automatización y buenas prácticas en MLOps; herramientas avanzadas de deployment y casos de uso reales.

FEDERICO POUSA. Doctor y Licenciado en Ciencias de la Computación, UBA, especializado en investigación operativa. Profesor full-time en la Escuela de Negocios de UTDT. Fue coordinador de I+D en Eryx, empresa de software y data science.

AGUSTÍN MOSTEIRO. Especialista en ciencia de datos aplicada. Ha liderado proyectos de analytics en múltiples industrias y se desempeña como docente en programas de posgrado y formación ejecutiva.