Lo que delegas al agente
- Escribir código de limpieza, análisis exploratorio y modelos base.
- Probar muchas combinaciones de hiperparámetros y de prompts.
- Generar documentación y reportes de experimentos.
- Resumir papers y documentación técnica.
Días
0
:
Horas
13
:
Minutos
4
:
Segundos
59
Días
0
:
Horas
13
:
Minutos
4
:
Segundos
59
AI Data Scientist en la era de los agentes Del notebook al sistema inteligente.
Un AI Data Scientist combina estadística, machine learning y agentes de IA para crear modelos que predicen y llegan a producción.
- Programa de Especialización Data Scientist + IA
- En vivo online
- 6 meses | 400 hrs. académicas
2021
Pipeline de features escrito a mano
Un modelo por problema
Accuracy en el notebook
2026 con agentes
Copiloto de código + revisión crítica
Modelos + LLM + herramientas orquestadas
Evaluación continua en producción
Próximo inicioPor confirmar
HorarioLu,Mi y Vie – 20h. a 22h. (Lim, Bog)
Duración6 meses | 400 hrs. académicas
InversiónS/ 6,260 S/ 1,879
Nuestra comunidad trabaja en distintos sectores
- Retail
- Banca
- Educación
- Salud
- Otros
Empresas donde trabajan nuestros alumnos
Sueldo referencial en Perú
¿Cuánto gana un Data Scientist en Perú?
De Junior a Senior, el sueldo de referencia crece hasta x3.2.
S/2,500Junior
S/5,000Semi Senior
S/8,000 a másSenior
Fuente: consulta de DSRP a profesionales que trabajan en empresas peruanas, actualizada a octubre de 2026. Montos mensuales en soles.
Referencia oficial: la mediana de «Profesionales TIC y estadísticos» en Perú es S/3,525 al mes (S/2,523 a S/4,997 en la mitad central). INEI — ENAHO 2024 (módulo 500).
¿Es para ti?
Tres pasos para saber si este es tu siguiente rol y por dónde empezar.
- 1
¿De dónde vienes?
Perfiles que suelen dar el salto a AI Data Scientist:
- Data Analyst
- Ingeniería
- Economía
- Estadística
- Matemáticas
- Física
- 2
Qué necesitas para empezar
Conocimientos básicos de programación y SQL. El programa incluye cursos de nivelación asíncronos en fundamentos de Python y de ciencia de datos.
Si nunca programaste, empieza por la especialización Analista de Datos o por un curso de fundamentos de Python, y luego da el salto a Data Scientist.
- 3
Tu camino
- Programación y SQL básicos
- Especialización Data Scientist
Un día del AI Data Scientist con agentes
El agente se encarga de lo repetitivo; tú decides qué preguntar, qué aprobar y qué recomendar.
- 108:30
Definir el problema
Agente: Busca trabajos previos y resume los enfoques usados para el mismo problema.
Tú: Fijas la métrica de negocio y el criterio de éxito antes de tocar un modelo.
Asistente de investigación · notebook
- 210:00
Exploración de datos
Agente: Escribe el código del análisis exploratorio y propone variables candidatas.
Tú: Detectas fugas de información y sesgos que el código no ve.
Python · pandas · Jupyter
- 312:00
Modelo, LLM o ambos
Agente: Entrena modelos base y prueba prompts o un RAG en paralelo.
Tú: Eliges el enfoque por costo, latencia y riesgo, no por moda.
scikit-learn · APIs de LLM · RAG
- 415:00
Evaluación
Agente: Corre las evaluaciones y arma las tablas de comparación.
Tú: Diseñas el set de evaluación y decides si el modelo está listo.
Evals · MLflow
- 517:00
Camino a producción
Agente: Prepara el pipeline de despliegue y el monitoreo.
Tú: Defines cuándo reentrenar y qué alertas importan.
Docker · MLflow · nube
Charla gratuita: el AI Data Scientist con IA
Charla informativa Data Scientist. Una sesión completa de DSRP para ver cómo se trabaja el rol con IA antes de decidir.
Qué automatiza la IA y qué no
Lo que sigue siendo tuyo
- Traducir el problema de negocio a una métrica medible.
- Diseñar el experimento y el set de evaluación.
- Detectar sesgos, fugas de datos y resultados demasiado buenos para ser ciertos.
- Explicar el modelo y sus riesgos a quien decide.
Tu diferencial: la estadística y el criterio de evaluación. Saber cuándo un modelo o un LLM acierta de verdad es algo que la IA no puede certificar por sí sola.
Claude · Codex · APIs de modelosProyecto con API
Cómo aprendes a ser AI Data Scientist con agentes de IA
El agente acelera la práctica, pero no hace la tarea por ti. Así lo usas para aprender más rápido sin dejar de entender lo que haces.
El método en 4 pasos
- 1Pide que te expliqueAntes de pedir código, pide el concepto con un ejemplo de tu área.
- 2Deja que propongaEl agente escribe el primer borrador: la consulta, el script o el diagrama.
- 3Verifica túLo corres, lo comparas con la fuente y buscas el error. Ahí es donde aprendes.
- 4Explícalo de vueltaSi no puedes explicar por qué funciona, todavía no lo aprendiste.
Ejemplo: Le pides a Claude que te explique la fuga de información con un caso de churn. Claude Code entrena un modelo base y reporta un AUC altísimo. Tú revisas las variables y encuentras una que solo existe después de que el cliente se fue. La quitas, el AUC baja a un valor creíble y explicas por qué el primero era una trampa.
Tu stack de IA en 3 capas
Asistentes de chat
Conversas: explican, resumen y revisan un razonamiento.
- Claude
- ChatGPT
- Gemini
Como AI Data Scientist: Entender conceptos de probabilidad y estadística, resumir papers y ensayar cómo explicar un modelo a quien decide.
Agentes de código
Trabajan dentro de tu proyecto: leen archivos, corren comandos y proponen cambios que tú apruebas.
- Claude Code
- Codex
Como AI Data Scientist: Que Claude Code o Codex escriban el análisis exploratorio, los modelos base y el registro de experimentos en tu repositorio; tú revisas cada cambio.
APIs de modelos
Llamas al modelo desde tu propio código: tú decides el prompt, los datos que envías y el costo.
- Anthropic
- OpenAI
- DeepSeek
- Kimi
Como AI Data Scientist: Probar prompts y comparar modelos de distintos proveedores en la misma tarea, con un conjunto de evaluación y un límite de gasto.
Un ejercicio con agentes en cada etapa de la ruta
Programación
Le pides: Una función que prepare las variables de un dataset de clientes, con sus pruebas.
Verificas: Que las pruebas cubran valores nulos y casos borde, y que la función no use datos del futuro.
Probabilidad
Le pides: Una simulación que estime la probabilidad de que un cliente compre de nuevo.
Verificas: Que el resultado simulado coincida con el cálculo analítico.
Visualización
Le pides: Los gráficos del análisis exploratorio de un dataset nuevo.
Verificas: Qué patrón muestra cada gráfico y si alguno engaña por la escala o por datos faltantes.
Estadística
Le pides: Si la diferencia entre dos grupos de un experimento A/B es significativa.
Verificas: Qué prueba eligió, sus supuestos y si el tamaño de muestra alcanza.
Machine learning
Le pides: Tres modelos base para predecir churn, con su validación cruzada.
Verificas: Fugas de información, el desbalance de clases y si la métrica refleja el costo real para el negocio.
MLOps
Le pides: El registro del modelo en MLflow y una API con FastAPI para servirlo.
Verificas: Que la API responda igual que el notebook y que quede claro cuándo reentrenar.
Evaluación comparativa de modelos de lenguaje en una tarea real
Comparas Claude, GPT, DeepSeek y Kimi en la misma tarea, por ejemplo clasificar reclamos o extraer datos de facturas, con un conjunto de prueba que tiene las respuestas correctas.
- Armas un conjunto de prueba con datos públicos o de ejemplo y su respuesta correcta.
- Escribes un mismo prompt y llamas a los cuatro modelos por API.
- Mides precisión, recall y F1 por clase, y anotas los errores típicos de cada modelo.
- Calculas el costo y el tiempo de respuesta por cada 1 000 casos.
- Comparas con un modelo clásico de scikit-learn y recomiendas cuál usar, con sus riesgos.
- Publicas el código, los resultados y la recomendación en GitHub.
Modelos cerrados y de pesos abiertos
Claudede Anthropic
CerradoCódigo, agentes que usan herramientas y documentos largos.
Solo por API o planes de pago para uso intensivo.
GPT · Codexde OpenAI
CerradoEcosistema amplio de herramientas e integraciones.
Solo por API o planes de pago para uso intensivo.
DeepSeek
Pesos abiertosCosto por uso bajo; se puede desplegar en infraestructura propia.
Su API oficial procesa los datos en China: no la uses con datos de la empresa.
Kimide Moonshot AI
Pesos abiertosContexto largo y tareas agénticas; también desplegable en infraestructura propia.
Su API oficial procesa los datos en China: no la uses con datos de la empresa.
Cómo elegir
- Calidad en tu tarea, medida con tus propios casos de prueba, no con rankings.
- Costo por tarea resuelta, no por token.
- Dónde quedan los datos y qué retención acepta tu empresa.
- Si necesitas pesos abiertos para correr el modelo dentro de la empresa.
Como AI Data Scientist: Elige con tu propio set de evaluación, no con rankings: a veces un modelo clásico de machine learning gana en costo y latencia. Con datos de la empresa, usa la nube o la API que tu empresa aprobó.
IA responsable con datos de la empresa
- No subas datos personales ni confidenciales a un chat público sin autorización.
- Revisa qué herramientas de IA aprobó tu empresa antes de usarlas con su información.
- Enmascara nombres, DNI y montos antes de probar con datos reales.
- Toda acción que cambie datos o llegue a un cliente pasa por aprobación humana.
Errores comunes al aprender con IA
- Creer un resultado demasiado bueno sin buscar fugas de información.
- Dejar que el agente elija la métrica en lugar de definirla con el negocio.
- Evaluar un LLM con tres ejemplos en vez de un conjunto de prueba.
- Saltarte la estadística porque "el agente entrena el modelo": sin ella no sabes si el resultado es real.
- Enviar datos de clientes a una API pública para probar un prompt.
Tu kit para empezar gratis o casi gratis
- Plan gratuito de un asistente de chat (Claude, ChatGPT o Gemini) para conceptos y repaso.
- Claude Code o Codex cuando ya tengas un proyecto en marcha: suelen pedir un plan de pago o créditos de API.
- Para practicar con APIs, empieza con un modelo de costo bajo y fija un límite de gasto en la consola del proveedor.
- Datos públicos para practicar sin usar los de tu trabajo: la Plataforma Nacional de Datos Abiertos o Kaggle.
- Una cuenta de GitHub desde el primer día: cada ejercicio queda como evidencia en tu portafolio.
Los planes, precios y límites cambian seguido: revísalos en la página de cada proveedor.
Herramientas y tecnologías del AI Data Scientist
Lenguajes y datos
Python- SQL
pandas
NumPy
Machine learning
scikit-learn- XGBoost
PyTorch
TensorFlow
MLOps y producción
MLflow
Docker
FastAPI
Git
Nube
AWS SageMaker
Azure Machine Learning
Vertex AI
IA generativa y agentes
- APIs de LLM
LangChain / LangGraph- Bases vectoriales
Hugging Face
Logos de las librerías abiertas devicon y Simple Icons. Las marcas pertenecen a sus dueños.
Sin jerga
Glosario en simple
Los 9 términos que vas a escuchar en este rol, explicados como se los contarías a un colega.
- Modelo de machine learning
- Un programa que aprende patrones de datos pasados para predecir algo, como qué clientes dejarán de comprar.
- LLM
- Un modelo de lenguaje como ChatGPT, Claude o Gemini: entiende y redacta texto. Un modelo de ML predice; un LLM conversa y razona sobre texto.
- Agente de IA
- Un LLM al que se le dan herramientas (buscar datos, correr código, enviar un correo) para que complete una tarea por pasos.
- RAG
- Darle al LLM los documentos de la empresa antes de responder, para que conteste con información propia y no invente.
- Fine-tuning
- Reentrenar un modelo existente con ejemplos propios para que se especialice en una tarea.
- Fuga de información
- Cuando el modelo "hace trampa" porque vio en el entrenamiento un dato que no tendría en la vida real. Da resultados demasiado buenos para ser ciertos.
- Hiperparámetros
- Las "perillas" de un modelo que se ajustan antes de entrenarlo, como la profundidad de un árbol de decisión. El agente prueba combinaciones; tú eliges cuál conviene.
- Multicloud
- Saber trabajar en más de una nube (AWS, Azure, Google Cloud). No necesitas dominar las tres: aprendes los conceptos y practicas en las principales.
- MLOps y despliegue
- Poner el modelo a funcionar dentro de un sistema real y vigilar que siga acertando con el tiempo.
Lo que te llevas
Una solución de punta a punta con un agente de IA
Proyecto integrador con un dataset real: EDA → machine learning → agente de IA → API, con revisión de portafolio por expertos.
Demo Day ante un panel de expertos y empresas aliadas.
- 6 proyectos aplicados para tu portafolio
- Certificación avalada por Data Science Research Perú y el Colegio de Estadísticos del Perú (Región Piura y Puno).
- Preparación para la certificación Microsoft Azure Data Scientist Associate (DP-100). La inscripción y el costo del examen no están incluidos.
- Bolsa de trabajo y pasantías con empresas aliadas.
- Talleres de CV, LinkedIn y entrevistas.
Según el brochure vigente del programa.
Empleabilidad84 % 62 % 13 % 1 2 3
Del programa al primer empleo como AI Data Scientist
¿Hay demanda? Lo que dicen los estudios de 2026
de los empleadores del sector tecnológico en Perú pide modelado de IA y desarrollo de aplicaciones: es la habilidad técnica más demandada.
Experis, 2026de los limeños cree que quien no aprenda a usar IA tendrá menos oportunidades laborales.
Ipsos para Cibertec, 2026de los jóvenes de la Generación Z en Lima se siente muy preparado para trabajar con IA, aunque el 75 % ya la usa.
USIL, 2026Tareas que ganan peso
- Traducir problemas de negocio en métricas medibles.
- Diseñar experimentos y conjuntos de evaluación.
- Decidir entre un modelo clásico, un LLM o ambos.
- Vigilar modelos y agentes en producción.
Tareas que pasan al agente
- Escribir a mano el código del análisis exploratorio y los modelos base.
- Probar una por una combinaciones de hiperparámetros.
- Documentar experimentos y reportes repetitivos.
Tu portafolio: 3 proyectos que te abren entrevistas
Modelo predictivo con validación honesta
Demuestra: que defines la métrica de negocio, evitas fugas de información y explicas el resultado.
Evaluación comparativa de LLM
Demuestra: que eliges un modelo con datos: calidad, costo y tiempo de respuesta medidos.
Modelo en producción con monitoreo
Demuestra: que llevas un modelo del notebook a una API, con registro en MLflow y criterio de reentrenamiento.
Publícalos en GitHub con un README que diga qué hizo el agente y qué verificaste tú: es lo primero que preguntan.
Preguntas de entrevista para un AI Data Scientist
Tu modelo tiene un AUC de 0,99 en la primera prueba. ¿Qué haces?
Qué buscan: Que sospeches antes de celebrar: buscar fugas de información, revisar la partición de datos y validar con datos nuevos.
¿Cuándo usarías un modelo clásico en lugar de un LLM?
Qué buscan: Criterio de costo, latencia, explicabilidad y tipo de dato, no preferencia por la tecnología de moda.
¿Cómo evaluarías un LLM que clasifica reclamos?
Qué buscan: Un conjunto de prueba con respuestas correctas, métricas por clase y revisión de los errores, no impresiones.
¿Qué harías si las clases están muy desbalanceadas?
Qué buscan: Elegir la métrica adecuada, ajustar el umbral o el muestreo, y explicar el costo de cada tipo de error.
¿Qué datos no enviarías a la API de un modelo?
Qué buscan: Criterio con datos personales y confidenciales, y conocer qué herramientas aprobó la empresa.
Certificaciones oficiales que se alinean con el rol
- AI-300: Machine Learning Operations Engineer AssociateMicrosoft · Reemplazó a DP-100 en junio de 2026
- AWS Certified Machine Learning Engineer – AssociateAWS · Nueva versión MLA-C02 desde enero de 2027
Revisadas en octubre de 2026. Los exámenes se actualizan y se retiran: confírmalos en la página oficial antes de inscribirte.
Tu ruta de aprendizaje
De la programación al despliegue de modelos, con proyectos en cada etapa.
- Programación
- Probabilidad
- Visualización
- Estadística
- Machine learning
- MLOps
Beneficios de la especialización
- Clases grabadas ilimitadas
- Proyectos aplicados con data real
- Bolsa de trabajo, pasantías y talleres de empleabilidad
- Certificación avalada por el Colegio de Estadísticos del Perú
Libros recomendados para un AI Data Scientist
Tres clásicos que siguen vigentes y uno para trabajar con agentes de IA.
Clásico
Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow
El manual práctico de machine learning y deep learning, de la regresión a las redes neuronales.
Ver el libro
Clásico
Python Data Science Handbook
NumPy, pandas, Matplotlib y scikit-learn explicados con ejemplos que se pueden correr.
Ver el libro
Clásico
Practical Statistics for Data Scientists
La estadística que valida un modelo: muestreo, pruebas de hipótesis y sesgos.
Ver el libro
Era de agentes
AI Engineering
Cuándo usar prompting, RAG, agentes o fine-tuning, y cómo evaluar aplicaciones con LLM en producción.
Ver el libroLo que cuentan nuestros alumnos
Como parte del programa de Especialización en Data Science, he obtenido certificados de excelencia en Estadística Descriptiva, Inferencial y Bayesiana. Estos cursos me han permitido reforzar y profundizar conocimientos en Estadística y Probabilidades, una base clave para Ciencia de Datos y Machine Learning.
La malla curricular fue integral y se enfocó en la práctica, lo que me permitió aplicar mis conocimientos de inmediato. Gracias a la formación en DSRP, he podido liderar proyectos en mi empresa, desarrollando dashboards y aplicando Python.
Elegí la especialización en DSRP para profundizar en automatización, cloud y herramientas como Airflow y Databricks. Lo que más destaco es el enfoque práctico y la experiencia de los instructores. Esta formación fue clave para destacar en entrevistas y conseguir mi nuevo trabajo.
¿Aprender solo con IA o con un programa?
Una comparación honesta. Lo ideal es combinar ambos: practicar con agentes todos los días y apoyarte en un programa para la ruta, la revisión y la red.
ExplicacionesSolo con IA: Inmediatas, a cualquier hora.Con un programa: Un docente corrige tu razonamiento, no solo el resultado.
ErroresSolo con IA: Dependen de que notes que la IA se equivocó.Con un programa: Especialistas revisan tus proyectos.
RutaSolo con IA: La armas tú; es fácil saltarse fundamentos.Con un programa: Secuencia de los fundamentos a la nube.
ProyectosSolo con IA: Por tu cuenta, sin quien los evalúe.Con un programa: Proyecto integrador y Demo Day.
Red y empleoSolo con IA: La construyes solo.Con un programa: Comunidad, bolsa de trabajo y talleres de CV y entrevistas.
CertificadoSolo con IA: No.Con un programa: Certificación avalada.
CostoSolo con IA: Bajo: planes gratuitos y créditos de API.Con un programa: Una inversión, con cuotas.
Preguntas Frecuentes
¿Qué hace un Data Scientist?
¿En qué se diferencia de un Data Analyst?
¿La IA va a reemplazar a los Data Scientists?
¿Necesito saber programar para empezar?
¿Qué herramientas usa un Data Scientist?
¿Cómo gano experiencia práctica?
¿Necesito pagar Claude o ChatGPT para aprender?
¿Puedo usar Claude Code o Codex si no sé programar?
¿Puedo usar DeepSeek o Kimi con datos de mi empresa?
¿Cómo son las clases de la especialización?
Compara los perfiles de datos e IA
¿Aún dudas entre perfiles? Haz el test vocacional y recibe una recomendación.
Seis perfiles, seis preguntas distintas. Compáralos y elige por dónde empezar.
AI Data Analyst
¿Qué pasó y qué decidimos?
Convierte datos en decisiones de negocio y valida lo que calcula la IA.
Empiezas con: Sin programar
Conocer el perfilAI Data Scientist
Estás aquí¿Qué va a pasar?
Crea modelos que predicen y mide si un modelo o un LLM acierta de verdad.
Empiezas con: Programación y SQL básicos
AI Data Engineer
¿Los datos llegan completos y confiables?
Construye los pipelines que alimentan dashboards y agentes.
Empiezas con: Python, SQL y Git básicos
Conocer el perfilAI Data Architect
¿Cómo se organiza todo de forma segura?
Diseña la plataforma de datos e IA: gobernanza, permisos y costos.
Empiezas con: SQL y Python básicos
Conocer el perfilAI Engineer
¿Cómo lo convertimos en un producto con IA?
Construye agentes que usan herramientas, los evalúa y los opera en producción.
Empiezas con: Python y SQL básicos
Conocer el perfilAutomatizador con IA
¿Qué tarea repetitiva dejamos de hacer a mano?
Conecta apps con flujos low-code y no-code y suma agentes de IA, sin programar.
Empiezas con: Sin programar
Conocer el perfil
Para empresas
¿Formas a tu equipo como AI Data Scientist?
Lo que gana tu empresa:
- Modelos predictivos (demanda, fuga de clientes, riesgo) que llegan a producción y se monitorean.
- Un equipo capaz de decidir cuándo conviene machine learning, un LLM o un agente, con evaluación medible.
- Proyectos de IA con criterio estadístico, explicables ante negocio y auditoría.
Programas para equipos: grupos cerrados, in-house o a medida, con seguimiento del avance de cada colaborador.
Empresas que confían en DSRP
Da el siguiente paso como Data Scientist
Programa de Especialización Data Scientist + IA
Contenido revisado en octubre de 2026.
