Curso de Machine Learning en Argentina: modelos que predicen, con Python

Respuesta corta: el curso de Machine Learning de ProgramBI para Argentina son 20 horas en vivo por Zoom, de 19:30 a 21:30, hora de Argentina, para quienes ya programan en Python y quieren armar modelos predictivos aplicados a negocios. Vas a ver aprendizaje supervisado —regresión, clasificación con logística y SVM, árboles y ensembles, validación cruzada— y no supervisado —K-Means, PCA, t-SNE, anomalías y reglas de asociación—. El precio es $ 159.900, con grabaciones de por vida y certificado.

La ficha, revisada el 4 de noviembre de 2026, muestra cupos abiertos con fecha por confirmar. El pago se hace en pesos argentinos con Mercado Pago o transferencia.

Predecir en un contexto que cambia rápido

Si trabajás con datos en Argentina, sabés que la historia no siempre se parece al futuro. Precios que se mueven mes a mes, cambios de reglas, consumo que se ajusta de golpe. Eso no vuelve inútil al machine learning; lo vuelve más exigente. Un modelo que en otro país se entrena una vez al año acá tal vez necesite reentrenarse cada mes, usar variables en términos reales en lugar de nominales, o medirse con un horizonte más corto.

El curso te da las herramientas para hacerlo bien: elegir el modelo adecuado, validarlo de forma honesta y entender cuándo dejó de funcionar. Esa última parte, saber detectar que un modelo se degradó, vale oro en un contexto inestable.

La ficha para Argentina menciona un punto de partida habitual: ventas en el ERP, comprobantes de ARCA y una planilla de tesorería para seguir el tipo de cambio. Con esa base ya se pueden plantear modelos útiles.

Qué vas a ver

Módulo 1 — Supervisado. Entrenás modelos con datos donde ya conocés la respuesta:

• Regresión lineal y polinómica, para estimar cantidades.
• Regresión logística y SVM, para clasificar.
• Árboles de decisión y ensembles, los caballos de batalla con datos tabulares.
• Validación cruzada y métricas, para no engañarte con resultados demasiado buenos.

Módulo 2 — No supervisado. Buscás estructura sin etiqueta:

• K-Means para armar segmentos.
• PCA y t-SNE para reducir y visualizar.
• Detección de anomalías.
• Reglas de asociación para canastas de compra.

Un ejemplo: ventas en términos reales

import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import TimeSeriesSplit, cross_val_score

# ventas ya deflactadas con un índice de precios para comparar meses
df["ventas_reales"] = df["ventas_nominales"] / df["indice_precios"]
X = df[["mes", "dia_semana", "promo", "ventas_reales_lag7", "ventas_reales_lag28"]]
y = df["ventas_reales"]

cv = TimeSeriesSplit(n_splits=5)
mae = -cross_val_score(GradientBoostingRegressor(), X, y, cv=cv,
                       scoring="neg_mean_absolute_error")
print(mae.mean())

Dos detalles importan acá. Primero, el modelo trabaja con ventas en términos reales, deflactadas con un índice de precios, para que el aumento nominal no se confunda con crecimiento. Segundo, la validación respeta el orden del tiempo: se entrena con el pasado y se evalúa con lo que vino después. Son decisiones que se discuten en clase y que marcan la diferencia entre un pronóstico creíble y uno que solo funciona en el papel. Como fuente pública del índice podés usar las series del INDEC, que la propia ficha menciona como referencia local.

Dónde aplicarlo en Argentina

Consumo masivo y retail. Pronóstico de demanda por sucursal o por SKU, en unidades y no en pesos, para que la inflación no distorsione el plan de compras.

Fintech y crédito. Clasificación del riesgo de mora con historial de pagos. La regresión logística y los ensembles son el estándar, y la validación cruzada evita sorpresas cuando el modelo pasa a producción.

Agro y logística. Detección de anomalías en lecturas, tiempos de viaje o rendimientos, y segmentación de clientes o zonas con K-Means.

E-commerce. Reglas de asociación para recomendar productos complementarios en el carrito.

Antes de anotarte

El requisito es manejar Python. Hacete estas preguntas:

• ¿Podés leer un CSV, filtrarlo y agrupar con pandas sin copiar código de otro lado?
• ¿Entendés la diferencia entre una lista, un diccionario y un DataFrame?
• ¿Graficaste alguna vez con matplotlib o seaborn?

Si dudaste en alguna, empezá por el curso de Python para datos en Argentina. Llegar con esa base hace que las 20 horas rindan mucho más, porque en clase el foco está en los modelos y no en la sintaxis del lenguaje.

Errores que vas a dejar de cometer

• Validar mezclando el tiempo. Con datos temporales, partir al azar filtra el futuro al entrenamiento.
• Modelar en pesos nominales. El modelo aprende la inflación, no el negocio.
• Confiar en la exactitud con clases desbalanceadas. En mora o fraude, mirá precisión, sensibilidad y AUC.
• Dejar el modelo andando sin monitoreo. Definí una métrica y revisala cada mes; si cae, reentrenás.
• Segmentos sin nombre. Un clúster solo sirve si alguien puede decir qué hacer con él.

Cómo darte cuenta de que tu modelo dejó de servir

En un contexto que cambia rápido, el modelo que funcionaba en marzo puede fallar en agosto. Tres señales de alerta:

1. El error sube de forma sostenida. Si medís el error del pronóstico cada semana y empieza a crecer, algo cambió en los datos.
2. Las variables de entrada se corren. Si el ticket promedio o la cantidad de transacciones se mueven fuera del rango con el que entrenaste, el modelo está extrapolando.
3. El negocio deja de confiar. Cuando el equipo comercial empieza a "corregir a mano" las predicciones, es hora de revisar.

La respuesta casi siempre es la misma: reentrenar con datos recientes, revisar si conviene trabajar en unidades o en valores reales y, si hace falta, acortar la ventana de entrenamiento. El curso te da la base de validación para hacer ese diagnóstico con números y no por intuición.

Supervisado o no supervisado, en una tabla

Con esta tabla en la cabeza, cualquier problema de negocio se vuelve más fácil de plantear: primero definís si tenés la respuesta histórica, después elegís la familia de modelos.

Qué te piden en el laburo

En LinkedIn, Bumeran y ZonaJobs, las búsquedas de data scientist, analista de datos semi senior o analista de riesgo suelen pedir Python y experiencia con modelos. Lo que más pesa en una entrevista técnica es un proyecto propio: explicá qué problema resolviste, cómo validaste y qué harías distinto.

Del notebook al tablero

Una predicción que nadie ve no cambia nada. Lo habitual es dejar los resultados en una tabla y mostrarlos en Power BI: pronóstico por sucursal, ranking de clientes por riesgo, mapa de segmentos. Para esa parte tenés el curso de Power BI en Argentina y la guía para aprender Power BI en Argentina.

Horario y pagos

Las clases son de 19:30 a 21:30 en Buenos Aires. Argentina usa UTC-3 todo el año y Chile cambia entre UTC-3 y UTC-4, por eso la ficha aclara que, según la época, la clase puede verse a las 19:30 o a las 20:30; la hora exacta figura en la ficha de tu cohorte. El pago es en pesos argentinos con Mercado Pago (tarjeta de crédito o débito, o Wallet) o transferencia bancaria.

Ficha resumida

• 20 horas en 2 módulos, supervisado y no supervisado.
• En vivo por Zoom; cupos abiertos, fecha por confirmar.
• Grabaciones de por vida, certificado digital, proyectos con datos reales.
• Instructor: Manuel Oliva, Magíster en Data Science (UAI).
• Precio: $ 159.900.

Formas de pago: los cursos de ProgramBI se pueden pagar en 3 cuotas sin interés, en todos los países.