Usamos cookies para mantener el sitio estable, recordar opciones basicas y entender que paginas resultan utiles. Puedes aceptar, rechazar o revisar la configuracion antes de continuar.
Configuracion de cookies
Nuestra trayectoria
En 2019 empezamos con un taller presencial de regresión lineal en Corrientes. Eran ocho personas y una pizarra, pero la demanda por formación aplicada en machine learning superó el aula.
Para 2021 lanzamos la primera cohorte remota de fundamentos de ML. El formato sincrónico con proyectos reales de clientes locales nos permitió validar que el aprendizaje se sostiene cuando hay datos propios en juego.
En 2023 formalizamos el área de desarrollo profesional: simulacros de entrevistas técnicas, revisión de portafolios y mentorías con ingenieros que trabajan en producción. Hoy el 70% de nuestros egresados cambió de rol en menos de un año.
El último hito fue la alianza con dos estudios de datos de Buenos Aires para rotaciones reales. Nuestros estudiantes no solo aprenden teoría: participan en la limpieza de datasets y en el monitoreo de modelos ya desplegados.
MLCareer nació en Corrientes con una idea concreta: que quienes trabajan con datos no tengan que elegir entre profundizar en machine learning o avanzar en su carrera. Aquí reunimos rutas de estudio, criterios de entrevista y criterios técnicos para que cada paso tenga dirección.
No enseñamos algoritmos sueltos. Trabajamos sobre pipelines reales, validación de modelos y monitoreo de deriva, para que lo aprendido se sostenga fuera del cuaderno de notas.
Acompañamos la transición desde análisis de datos, ciencia de datos o ingeniería de software. Definimos qué habilidades priorizar según el rol buscado y qué proyectos muestran mejor tu criterio.
Publicamos casos de estudio, guías de entrevista y experiencias de quienes ya recorrieron el camino. El objetivo es que evites los tropiezos que nosotros ya documentamos.
Trayectoria profesional
2019 — Primer curso de fundamentos de Python y estadística aplicada al análisis de datos.
2021 — Certificación en machine learning supervisado y primeros proyectos con scikit-learn.
2022 — Implementación de un pipeline de datos en producción con Apache Airflow y Great Expectations.
2023 — Transición a rol de científico de datos tras completar el plan de estudios recomendado.
2024 — Participación en entrevistas técnicas como evaluador y diseño de casos de estudio sobre sesgo y escalabilidad.