Adquirí habilidades útiles para el análisis de datos, ciencias de la computación y programación en medio de los desafíos globales actuales.
Inicio 3 de agosto de 2026
16 semanasViernes de 19 a 22 hs.
onlinesincrónico (en vivo)
Nivel Avanzado
Forma parte de unPrograma Universitario (serie de 3 cursos)
Aranceles vigentes al .
Este curso te invita a explorar, analizar y aplicar herramientas avanzadas de grafos, Big Data, blockchain, machine learning y algoritmos evolutivos para resolver problemas complejos del mundo real. A lo largo del programa, aprenderás a modelar redes, interpretar sistemas distribuidos, detectar comunidades, predecir conexiones, comprender dinámicas emergentes con autómatas celulares y optimizar decisiones mediante algoritmos genéticos, integrando además criterios de ética, reproducibilidad y comunicación técnica. Con un enfoque actual, interdisciplinario y orientado a la práctica, esta formación te permitirá desarrollar una mirada estratégica sobre datos, redes y sistemas inteligentes, preparándote para destacarte en áreas de alta demanda vinculadas a la analítica avanzada, la innovación tecnológica y la toma de decisiones basada en modelos computacionales.
Objetivos
Comprender los fundamentos teóricos y prácticos de la teoría de grafos, incluyendo sus tipos, representaciones, medidas, recorridos, conectividad, modelos aleatorios, cadenas de Markov y algoritmos como PageRank, para analizar redes complejas y estructuras de datos relacionales.
Desarrollar una visión integral sobre arquitecturas de Big Data y sistemas distribuidos, incorporando conceptos como teorema CAP, sharding, replicación, quórums, procesamiento batch y streaming, así como la gestión de datos en entornos blockchain como Bitcoin y Ethereum.
Adquirir herramientas de analítica avanzada sobre redes reales, aplicando métricas de centralidad, detección de comunidades, predicción de enlaces y nociones introductorias de machine learning con grafos, con el fin de interpretar dinámicas, patrones y relaciones en sistemas complejos.
Aplicar modelos computacionales y técnicas de optimización inspiradas en sistemas complejos, como autómatas celulares y algoritmos genéticos, para resolver problemas de planificación, explorar comportamientos emergentes y evaluar estrategias de ajuste, desempeño y mejora de modelos.
Incorporar criterios de ética, reproducibilidad, documentación y comunicación técnica, promoviendo el desarrollo responsable de soluciones basadas en datos, grafos e inteligencia artificial, con capacidad para presentar resultados de manera clara, trazable y profesional.
Dirigido a
Este curso está dirigido a personas interesadas en comprender y aplicar herramientas de teoría de grafos, Big Data, sistemas distribuidos, blockchain, machine learning con grafos, autómatas celulares y algoritmos genéticos para analizar redes complejas, modelar sistemas y resolver problemas de optimización en contextos reales.
Estudiantes y profesionales de carreras vinculadas a sistemas, ciencia de datos, informática, matemática, física, ingeniería, inteligencia artificial o analítica, que deseen ampliar su formación con enfoques computacionales modernos e interdisciplinarios.
Estudiantes y profesionales de carreras vinculadas a sistemas, ciencia de datos, informática, matemática, física, ingeniería, inteligencia artificial o analítica, que deseen ampliar su formación con enfoques computacionales modernos e interdisciplinarios.
- Desarrolladores, analistas de datos y perfiles técnicos, que busquen incorporar conceptos y técnicas para trabajar con redes, grafos, arquitecturas distribuidas, datos provenientes de blockchain y modelos de predicción de relaciones en estructuras complejas.
- Personas interesadas en la modelización y simulación de sistemas complejos, que quieran explorar dinámicas emergentes mediante autómatas celulares, comprender fenómenos de conectividad y comunidades en redes, y aplicar algoritmos evolutivos a problemas de planificación y optimización.
- Profesionales de innovación, investigación o transformación digital, que necesiten interpretar fenómenos complejos, evaluar arquitecturas de datos escalables y desarrollar una visión estratégica sobre tecnologías emergentes vinculadas a analítica avanzada, blockchain y aprendizaje automático.
- Perfiles orientados a la toma de decisiones basada en datos, que deseen fortalecer sus capacidades para analizar estructuras relacionales, detectar patrones, evaluar escenarios y comunicar resultados de manera ética, reproducible y técnicamente sólida.
Requisitos de inscripción
Contar con conocimientos básicos de programación, lógica y análisis de datos. No obstante, el curso propone un enfoque integrador, orientado a combinar fundamentos teóricos con aplicaciones prácticas, permitiendo desarrollar competencias valiosas para ámbitos de alta demanda tecnológica y analítica.
Contenidos del Curso
Módulo 1: Teoría de grafos — tipos, representación y medidas
- Grafos simples/dirigidos/ponderados.
- Representaciones (lista/matriz).
- Grados y distribuciones.
- Conectividad, componentes y cortes.
Módulo 2: Dígrafos, cadenas de Markov y PageRank
- Matrices de adyacencia/transición.
- Random surfer y teletransportación.
- Power iteration, damping y criterios de convergencia.
Módulo 3: Modelos aleatorios y recorridos
- Erdős–Rényi G(n,p)/G(n,m); umbral p≈1/n.
- Diámetro esperado y propiedades globales.
- BFS/DFS; bipartitismo; caminos y ciclos.
Módulo 1: Teorema CAP, sharding y edge
- Consistencia/disponibilidad/partición (trade-offs).
- Replicación sincrónica vs. asincrónica; consistencia eventual.
- Quórums (R,W,N), regla R+W>N; impacto de latencia/edge.
Módulo 2: Datos en Blockchain (Bitcoin & Ethereum) — P2P/gossip, batch vs. streaming, lineage
- Zonas de datos: mempool (BTC/ETH) → cadena cruda → curado → indexado.
- Batch vs. Streaming: snapshots UTXO/estado (batch) vs. suscripción a mempool y logs/eventos (stream).
- Idempotencia y late data: reintentos seguros, reorgs; deduplicar por txid (BTC) / hash+nonce (ETH).
Módulo 1: Small-world, scale-free y centralidades
- Clustering y distancia media.
- Preferential attachment.
- Centralidades (grado, betweenness, eigenvector/PageRank contextual).
- Robustez/vulnerabilidad.
Módulo 2: Comunidades y modularidad
- Modularity Q.
- Louvain y Label Propagation.
- Evaluación de particiones.
- Ataques dirigidos vs. aleatorios y componente gigante.
Módulo 1: Link prediction — heurísticas vs. GNN (opcional)
- Heurísticas (Common Neighbors, Jaccard, Adamic–Adar).
- Train/val/test por aristas.
- Métricas (ROC-AUC, AP).
- Leakage y overfitting.
- GNN: intuiciones básicas.
Módulo 1: AC 1D — reglas 30 y 110
- Clases de comportamiento.
- Sensibilidad a condiciones iniciales.
- Bordes periódicos/abiertos.
- Ruido y patrones característicos.
Módulo 2: AC 2D — Juego de la vida y cómputo emergente
- Reglas B/S.
- Osciladores y spaceships.
- Intuición de cómputo tipo Turing.
Módulo 1: Algoritmo genético (AG) + TSP
- Codificación por permutación.
- Fitness.
- Selección (torneo/ruleta).
- Cruza (PMX/OX).
- Mutación (swap).
- Elitismo.
- 2-opt como búsqueda local.
Módulo 2: Ajuste de algoritmos genéticos
- Variantes y análisis, ablation.
- Sensibilidad a hiperparámetros (población, pc, pm).
- Random/Grid/Bayesian search.
- Presupuesto computacional y replicabilidad.
Módulo 1: Ética, reproducibilidad, documentación y demo day. IA generativa responsable y trazabilidad
- Comunicación técnica (IMRaD, storytelling, visualizaciones).
- Repaso integrador: CAP/sharding; métricas/comunidades/PageRank; AC 1D/2D; AG/metaheurísticas.
Requisitos de aprobación
El curso incluye parciales y un examen final.
Programas Universitarios del que forma parte este Curso
Creá tu propio camino. Completá los siguientes cursos, desarrollá habilidades clave y accedé a un Programa Universitario que potencia tu crecimiento personal, profesional o simplemente tu pasión por aprender.
Avanzá hacia una carrera universitaria
Carreras a las que pertenece este Curso:
Este curso puede otorgar créditos universitarios
Si cumplís con los requisitos de aprobación de estos cursos y con los requisitos de ingreso de la carrera a la que pertenecen, podés incorporarlos a tu plan de estudios y avanzar en la cursada utilizando los créditos universitarios que otorga.
Cursos relacionados
Incorporá los aspectos conceptuales y el know-how de la seguridad informática.
Conocé los conceptos, lenguajes de programación y herramientas de desarrollo en blockchains basados en Ethereum.
Preguntas frecuentes
Aquí encontrarás respuestas a las dudas y consultas más comunes sobre nuestros Cursos. Es importante aclarar que cada curso tiene su propia sección de preguntas frecuentes con información específica sobre el contenido, la modalidad y los requisitos. Ante cualquier inquietud, te invitamos a revisar las preguntas de cada curso para encontrar la respuesta que aclare tus dudas.
¿Cómo es estudiar online?
La modalidad de este curso es Online Sincrónica, con clases semanales utilizando la plataforma de la Universidad. Tiene días y horarios de clases fijos obligatorios.
¿El Certificado que otorga menciona la modalidad de cursado?
No. El certificado que otorga al completar exitosamente el curso es el mismo para ambas modalidades: no se distingue si el curso fue realizado de manera presencial u online.
¿Cuál es la fecha de inicio de los cursos?
Los cursos se pueden comenzar en el mismo ciclo lectivo o realizar de forma secuencial, eligiendo la cantidad a cursar en cada período.
¿Cuál es la metodología de evaluación?
El curso incluye evaluaciones parciales a lo largo de la cursada y culmina con un examen final sincrónico, en vivo, que integra los contenidos abordados.
¿En qué fecha se rinde el examen final?
Vas a poder elegir entre las fechas de examen final a realizarse durante el mes de diciembre (para los cursos que comienzan en agosto), o julio (para los cursos que comienzan en marzo).
