31 horas (10 h presenciales + 21 trabajo personal).
Lugar: Facultad de Derecho (edificio San Pablo, Plaza de la Universidad, s/n) - Aula de informática
Fechas: 11, 13, 14, 18, y 21 de marzo de 2019 de 09:00 a 11:00h
Dirigido preferentemente a alumnos/as de segundo año de Doctorado.
Para el buen aprovechamiento los alumnos deben tener un nivel razonable de inglés tanto hablado como escrito (al menos, B2).
Aquellos solicitantes que adjunten al correo de solicitud certificación del nivel de inglés (B2 o equivalente) tendrán preferencia sobre el resto para la participación en el curso.
Los alumnos deben mandar un email a la Escuela de Doctorado (actividadesdoctorado@ugr.es) indicando en el Asunto “EDCTI-Writing a research paper in English”.
En caso de que haya más solicitudes que plazas se seleccionarán los alumnos/as según su adecuación al perfil del curso y el orden de inscripción. IMPORTANTE adjuntar certificado del nivel de inglés (ver apartado “Plazas y perfil”).
1. Introduction.
1.1 English as a lingua franca in the scientific world
1.2 The need to publish
1.3 Types of paper
2. Organization.
2.1 Sections
2.2 Content
2.3 Format and Layout
2.4 Common errors
3. Language.
3.1 Syntax and sentence structure
3.2 Semantics and terminology
3.3 Style and punctuation
3.4 Common errors
26 y 28 de Marzo y 2, 4, 9 y 11 de Abril, de 2019 de 16:00 a 18:00h.
Se necesita portátil propio (Mac o PC).
Para este curso es necesario acreditar un conocimiento básico del lenguaje Python 3. Con el fin de evaluar los conocimientos de Python requeridos, antes del inicio del curso se realizará un cuestionario online a los solicitantes. Los estudiantes que no superen la prueba, no se admitirán en el curso.
En caso de que haya más solicitudes que plazas se seleccionarán los alumnos/as según su adecuación al perfil del curso y el orden de inscripción.
Python es uno de los mejores lenguajes para su uso científico y técnico. Tiene algunas características que lo hacen realmente interesante en este ámbito, como son; es interpretado, de alto nivel, muy fácil de aprender, fácilmente extensible y cuenta con una librería estándar con mucha funcionalidad. Este lenguaje está siendo actualmente utilizado por instituciones científicas como la NASA, JPL, y otras como Google, DreamWorks, Disney, etc. En el ámbito científico y técnico, python se está abriendo paso de forma firme gracias a librerías específicas como numpy, matplotlib y scipy. El uso de estas librerías ofrece a los usuarios de Python una infinidad de recursos matemáticos y científicos para la resolución de problemas complejos y la creación de gráficos de muy alta calidad.
Algunas de las operaciones básicas utilizadas en cálculo y programación científico-técnica incluyen matrices, integrales, ecuaciones diferenciales, estadística, etc. Python en su paquete básico no cuenta por defecto con funciones para realizar este tipo de cálculos directamente. Así mismo, los tipos básicos de variables de Python no están optimizados para el manejo de gran cantidad de datos.
NumPy y SciPy son dos librerías muy potentes que cuentan con toda esta funcionalidad de la que carece el paquete básico de Python, y por tanto que posibilitan la utilización de este lenguaje para fines científicos y técnicos. La librería de numpy se especializa en el procesado numérico utilizando matrices multidimensionales, y permite un cálculo matricial directo al igual que programas especializados como matlab. Así mismo cuenta con métodos y funciones para la creación, manejo, redimensionado, etc., de matrices, lo cual reduce considerablemente el esfuerzo de programación requerido en otros lenguajes.
La librería de matplotlib es una librería gráfica que toma todas las ventajas de numpy. Permite la creación de infinidad de gráficos de alta calidad (ráster y vectorial), así como la modificación de todas sus características. Matplotlib no solo se integra perfectamente con numpy, sino que permite el lenguaje de marcado de LaTeX, pudiendo crear gráficos de muy alta calidad para publicaciones científicas e informes técnicos.
SciPy va un paso más allá, y utiliza toda la funcionalidad de numpy para realizar cálculos matemáticos avanzados como la integración, diferenciación, algebra lineal, no lineal, etc. También cuenta con multitud de funciones de alto nivel para el tratamiento estadístico de los datos.
Una lista completa de todas las funciones de numpy, matplotlib y scipy ocuparía cientos de páginas, por lo que en este curso se tratarán las funciones más utilizadas. Se introducirá al alumno en las rutinas de trabajo con estas librerías y a la resolución de los problemas más comunes en ciencia e ingeniería. Con este curso también se pretende que el alumno tenga los conocimientos necesarios para entender la documentación de estas librerías con el fin de capacitarlo para poder utilizar funcionalidad específica de las mismas no tratada en este curso.
El alumno sabrá:
1.- Manejo de matrices multidimensionales con numpy
2.- Funciones básicas para la creación y utilización de matrices de numpy
3.- Lectura-escritura en disco de datos
4.- Creación y representación de funciones matemáticas
5.- Creación de distintos gráficos con matplotlib
6.- Modificación de símbolos y leyendas
7.- Análisis de imagen con scipy
El alumno será capaz de:
1.- Crear y modificar gráficos
2.- Integrar LaTeX directamente en un gráfico
3.- Representar funciones y resolver ecuaciones matemáticas
4.- Entender la documentación de las librerías de Python
5.- Realizar cálculos matemáticos de alto nivel y resolución de problemas complejos
Tema 1. Manejo de datos con numpy (4h) Constantes y funciones de numpy. Arrays de numpy. Métodos para la creación de arrays. Operaciones con arrays. Indexado y slicing en arrays. Leer y guardar arrays en archivos de texto.
Tema 2. Representación gráfica con matplotlib (4h) Representación básica de funciones Representación de varias curvas. Representación de nube de puntos Representación de histogramas y boxplots. Definiendo colores y símbolos. Añadiendo leyendas y etiquetas. Control de ejes. Representación de múltiples figuras
Tema 3. Análisis numérico con scipy (2h) Ajuste e interpolación de datos. Tratamiento multidimensional de imágenes con ndimage
Tema 4. Breve introducción a cython (2h). Creación y compilación de scripts usando Cython. Elementos básicos del lenguaje. Optimización de código con Cython.
Primera Edición: 5, 7, 12, 14, 19 y 21 de Febrero de 2019, de 16:00 a 18:00h
Se necesita portátil propio (Mac o PC).
En caso de que haya más solicitudes que plazas se seleccionarán los alumnos/as según su adecuación al perfil del curso y el orden de inscripción.
Python es uno de los mejores lenguajes para su uso científico y técnico. Tiene algunas características que lo hacen realmente interesante en este ámbito, como son; es interpretado, de alto nivel, muy fácil de aprender, fácilmente extensible y cuenta con una librería estándar con mucha funcionalidad.
Este lenguaje está siendo actualmente utilizado por instituciones científicas como la NASA, JPL, y otras como Google, DreamWorks, Disney, etc. Alguna de las características que hacen de Python el lenguaje ideal para cálculos científicos son:
- Es un lenguaje muy fácil de aprender, siendo el lenguaje más recomendado para usuarios que no cuentan con conocimientos de programación.
- Es de código libre, por lo que no requiere una licencia para su uso.
- Es multiplataforma, pudiéndose utilizar en diferentes Sistemas Operativos com MAC, LINUX, Windows, etc.
- Python es un lenguaje de programación real, con todas las características de un lenguaje de programación orientado a objetos, a diferencia de otros lenguajes como matlab que carecen de algunas funcionalidades en este sentido.
- Tiene multitud de módulos y librerías externos que realizan numerosas funciones de gran utilidad para científicos e ingenieros. A este respecto, módulos específicos para realizar cálculos científicos como numpy, matplotlib y scipy, han hecho que este lenguaje esté ganando cada vez más popularidad entre científicos e ingenieros.
- Se integra perfectamente con LaTeX, permitiendo el formateo de ecuaciones y la realización de figuras para artículos científicos o informes técnicos.
- Es extensible y altamente configurable. Librerías como matplotlib permiten realizar infinidad de gráficos de muy alta calidad e interactivos.
En este curso se verán los elementos básicos de un lenguaje de programación como Python; sintaxis, funciones principales, flujos condicionales y bucles, etc. El conocimiento de las bases del lenguaje es un paso previo fundamental para poder sacar el mayor rendimiento de las librerías específicas más utilizadas en los ámbitos científico y técnico.
El alumno sabrá:
1.- Los elementos básicos de un lenguaje de programación
2.- Tipos de variables y su manipulación
3.- Manipulación de listas, tuplas y diccionarios
4.- Flujos condicionales if y recursivos for
5.- Funciones básicas del lenguaje
6.- Creación de funciones propias
7.- Control de código y manejo excepciones
El alumno será capaz de:
1.- Crear scripts en python para resolver problemas
2.- Leer y analizar un programa escrito en Python
3.- Manejar los principales entornos de programación con IPython (Spyder y Jupyter)
4.- Leer y escribir datos en ficheros de texto
5.- Diseñar algoritmos para la resolución secuencial de problemas
6.- Depurar programas y reconocer los principales tipos de errores
Tema 1. Introducción (1h) Introducción a los lenguajes de programación Historia de Python Descarga e instalación de anaconda. La consola de Python. Partes principales del IDE Spyder.
Tema 2. Tipos básicos, variables y expresiones (4h) Tipos de datos en Python. Variables, operadores y expresiones. Instalar, importar y utilizar módulos en Python. Listas, tuplas y diccionarios.
Tema 3. Operadores y funciones (4h) Operador lógico if. Bucles for. Bucles while. Creación y utilización de funciones en Python.
Tema 4. Operación de entrada/salida y optimización de código (3h) Lectura de ficheros de texto. Escritura en archivos de texto. Módulos os y sys. Control de ficheros y directorios. Optimización de código. Tipos de errores principales en Python. Control de código y manejo excepciones.
Profesores: Anne-Vinciane Doucet, Antonio Fernández Porcel, Mª Ángeles García Gil y Esteban López García
Fecha de realización: 5, 6 y 7 de Marzo (PRIMERA EDICIÓN)
Lugar de realización: Biblioteca Derecho (Calle Duquesa)
Horario: de 10 a 13 horas
Plazo de Inscripción: del 18 al 24 de febrero de 2019
Forma de Inscripción: Los alumnos deben mandar un email a --LOGIN--82a97257ef021cc0a0385710dff31b1eugr[dot]es indicando en el asunto “EDCTI-Inscripción a curso Herramientas de búsqueda y gestión de información para el desarrollo de la Investigación”. Deberán incluir nombre completo y/o pasaporte o DNI en el texto del mensaje.
Perfil: Dirigido a alumnos/as de primer año.
Nº Alumnos: 30 por grupo
Programa:
El perfil de investigador. Utilidad y necesidad.
Necesidad de normalización del nombre de investigador.
- Números de identificación: ORCID, ResearcherID (WoS), Author ID (Scopus).
- Perfil y difusión de la investigación: ventajas y “herramientas”: UGR-Investiga, Google Scholar, Academia.edu, ResearchGate, Dialnet
- El perfil de investigador y la evaluación de la producción científica. ANECA, DEVA y SICA. El CVN.
Bases de datos en Ciencias, Tecnologías e Ingenierías y Ciencias de la Salud: JCR-Science, JCR-Social Science WOS, SCOPUS
Bases de datos en Humanidades, Ciencias Sociales y Jurídicas: JCR-Social Science, Arts and Humanities Citation Index, Dialnet
Introducción a los gestores bibliográficos
Gestores bibliográficos: Mendeley, Flow, Endnote
Teaching hours: 30
Date: Nov 5th-9th 2018. From 12th until 16th of November the lecturers will be available to solve out doubts about the course.
Place:
Registration date: 05th-24th October 2018
Number of students (max.): 20
How to apply: Students must send an email to --LOGIN--82a97257ef021cc0a0385710dff31b1eugr[dot]es with the subject “EDCTI-Multivariate Exploratory Data Analysis (MEDA)”. It is required basic knowledge on Matlab. Students with a certificate about Matlab knowledge, have to attached it to the application e-mail and they will have preference for the course admission. Also Doctoral students from second or third year will have preference in the admission.
Do you have complicate data? Difficult to understand? With thousands of variables/observations? Or with too little observations? Missing data? Time series? Multiple sources? Do you want to find groups of individuals? Understand variables relations? Classify? Detect anomalies? Predict? The course goal is to introduce the students to very powerful data analysis techniques with which they will be able to better understand the features of their data and how a data set should be treated and analyzed to pursue their specific goals. The course is led by Professor Rasmus Bro, world leading professor on data analysis in biological sciences, and his collaborator at the UGR Dr. José Camacho, specialist on data analysis in Big Data and Cybersecurity.
Professor Bro is a prominent figure in the field of data analysis and in particular in multivariate analysis. During the last two decades, Prof. Bro has been a principal actor in the development of multivariate analysis in chemical and biological applications in the chemometrics area, in which according to google scholar is the second top researcher. His vast research work is outstanding, presenting an H index equal to 65. Prof. Bro is the author of the most referenced tutorial of PARAFAC (1933 citations), the developer of an extensively used multi-way version of Partial Least Squares (N-PLS) and co-author of more than 200 publications mainly related to the use of multi-way analysis in real life applications. His contributions to the use of constrained modelling are also very relevant, including the use of sparse methodologies for data analysis, and he has co-authored relevant articles to the problem of data fusion, a main challenge in Big Data analyses. The international influence in the community of his course “Multi-way Analysis” and his monograph “Multi-way Analysis: applications in the chemical sciences” is widely recognized. Prof. Bro has taught courses on data analysis in dozens of public and private organizations around the world. From 2001, he is the head of ODIN, an industrial research consortium offering courses, workshops, international contacts and student collaboration.
José Camacho is an associate professor in the Department of Signal Theory, Networking and Communications and researcher in the Information and Communication Technologies Research Centre, CITIC for its initials in Spanish, and in the Network Engineering & Security Group (NESG), both at the University of Granada, Spain. His research interests include exploratory data analysis, anomaly detection and optimization with multivariate techniques applied to data of very different nature, including industrial processes, chemometrics and communication networks. He is especially interested in the use of exploratory data analysis to Big Data for cybersecurity and networkmetrics.
Every person analyze their own data under supervision of the teacher and writes a report. The report must be short and concise. A short description of the data and their background must be provided. A short description of aim of the present work must be provided. This aim is not necessarily the overall aim of the project from which the data stem (although this is of course nice). Rather the purpose should be chosen in order to test and evaluate the students’ ability to use the methods taught at the course. It is important to discuss in detail how the models have been critically used for the stated purposes.
Day 1: PCA (Prof. Bro) | |
---|---|
9:00-9:15 | Welcome (Bro & Camacho) |
9:15-10:00 | Introduction and algebra without tears |
10:00-11:15 | Principal Component Analysis – PCA |
11:15-11:30 | Break |
11:30-12:00 | Software introduction (demos/hands-on) |
12:00-12:30 | Exercises – PCA |
12:30-13:30 | Validation, outliers – PCA |
13:30-15:30 | Lunch |
15:30-17:00 | Exercises – PCA |
Day 2: PLS (Prof. Bro) | |
---|---|
9:00-9:15 | PCA summary |
9:15-10:30 | Multivariate calibration - PLS |
10:30-10:45 | Break |
10:45-11:30 | Exercises – Multivariate calibration |
11:30-13:00 | Validation and outliers incl. exercises |
13:00-15:00 | Lunch |
15:00-16:00 | Preprocessing and nice to know |
16:00-16:15 | Break |
16:15-17:45 | Competition! |
Day 3: MEDA & Big Data | (Dr. Camacho) |
---|---|
9:00-10:00 | Introduction to the MEDA Toolbox |
10:00-11:15 | Exploratory Data Analysis: Understanding Observations vs Variables |
11:15-11:30 | Break |
11:30-12:00 | Anomaly Detection with Multivariate Statistical Monitoring |
12:00-12:30 | Exercises |
12:30-13:30 | Extensions to Big Data |
13:30-15:30 | Lunch |
15:30-17:00 | Exercises |
Day 4: Playing with your data I (Prof. Bro & Dr. Camacho) |
---|
Time will be devoted to analyze your own data under the supervision of the course monitors, who will guide you through different analysis techniques to pursue your goals. |
Day 5: Playing with your data II (Prof. Bro & Dr. Camacho) |
---|
Time will be devoted to analyze your own data under the supervision of the course monitors, who will guide you through different analysis techniques to pursue your goals. |
Número máximo de alumnos: 20
Fecha: Septiembre-Octubre 2018 (ver más abajo)
Lugar: Seminario de Matemáticas-2, Facultad de Ciencias
Los alumnos deben mandar un email a la Escuela de Doctorado (--LOGIN--82a97257ef021cc0a0385710dff31b1eugr[dot]es ) indicando en el Asunto “Curso avanzado de análisis de datos en R”.
Plazo de inscripción: 13 de junio a 3 de julio de 2018. En caso de que haya más solicitudes que plazas se seleccionarán los alumnos/as según su adecuación al perfil del curso y el orden de inscripción.
Mohamed Abdelaziz (Dpto. Genética)
José María Conde Porcuna (Dpto. Ecología)
Beatriz Cobo Rodríguez (Dpto. Estadística e I.O.)
Juan Lorite Moreno (Dpto. Botánica)
Antonio Jesús Barrera García (Dpto. Matemática Aplicada, Universidad de Málaga)
Rafael Rubio de Casas (Dpto. Ecología)
José María Conde Porcuna --LOGIN--75f003f06cf62e2de86034a4f4f6f5cdugr[dot]es
El objetivo del curso es que los estudiantes de doctorado que han cursado el Curso Básico de Análisis de Datos en R puedan profundizar en distintos aspectos específicos y avanzados en el análisis de datos que consideren necesarios para el desarrollo de sus Tesis doctorales. En el caso de no haber cursado el Curso Básico de Análisis de Datos en R, los estudiantes deberán tener conocimientos básicos de análisis de datos y haber utilizado con anterioridad el software R.
Presentación del Curso
Modelos Lineales Multivariantes
Problema de una muestra.
Problema de dos muestras independientes y apareadas.
Regresión lineal múltiple multivariante.
Modelos Lineales Multivariantes Diseños multivariantes. Manova
Análisis multivariantes: Técnicas de reducción de dimensiones y Ordenación
Análisis de componentes principales. Análisis factorial. 21 de septiembre (viernes), 9:00-10:00 (J Lorite)
Análisis multivariantes: Técnicas de de reducción de dimensiones y Ordenación
Análisis multidimensional de ordenación espacial (NMDS)
Análisis multivariantes: Técnicas de de reducción de dimensiones y Ordenación
Análisis de correspondencias (CA)
Análisis de correspondencia corregido (DCA)
Análisis multivariantes: Técnicas de Interpretación.
Análisis de redundancia (RDA)
Análisis multivariantes: Técnicas de Interpretación.
Análisis canónico de correspondencia (CCA)
Análisis canónico de correspondencia corregido (DCCA)
Contrastes de matrices de distancias.
Análisis de similaridad (ANOSIM)
Contrastes de matrices de distancias.
Procedimiento de permutación de respuesta múltiple (MRPP)
Análisis multivariante de la varianza utilizando matrices (NPMANOVA, adonis)
Técnicas de clasificación
Árboles de regresión clasificación
Correlaciones de matrices de distancia: Alternativas a Mantel
Técnicas de clasificación
Análisis discriminante.
Análisis clúster jerárquico y no jerárquico.
Modelos mixtos lineales generales y generalizados (GLMM)
Métodos y técnicas de estimación
Modelos mixtos lineales generales y generalizados (GLMM)
Selección de modelos
Significación de variables aleatorias
Inferencia Bayesiana: Modelos y técnicas de estimación
Introducción a la estadística bayesiana
Utilización de cadenas de Markov Monte Carlo (MCMC)
Información a priori
Inferencia Bayesiana: Modelos y técnicas de estimación
Interpretación
Modelos predictivos
De manera no presencial, los alumnos irán trabajando con ficheros de datos de sus Tesis doctorales (si aún no dispusieran de ellos, se les entregarían ficheros de datos).
Desde el 29 de octubre hasta el 14 de diciembre de 2018: Supervisión del trabajo de los alumnos de forma personalizada. Para dicha supervisión y evaluación, los estudiantes serán repartidos entre el profesorado según las afinidades previamente establecidas entre el 29 y el 31 de octubre de 2018.
Se evaluarán los análisis realizados por los estudiantes durante el periodo de supervisión de trabajos y se podrá valorar la actitud en clase y tutorías.
Horas presenciales: 34 horas (28 horas de clases teórico-prácticas + 6 horas tutorías)
Horas no presenciales: 25 horas de estudio/trabajo de los estudiantes y 1 hora tutorías electrónicas.
Destinado a Alumnos de las Escuelas de Doctorado de Ciencias, Tecnologías e Ingenierías y de Ciencias de la Salud.
Los alumnos deben mandar un email a la Escuela Internacional de Posgrado (actividadesdoctorado@ugr.es) indicando en el asunto “Curso inmunología frente a microorganismos y activación celular”.
En caso de que haya más solicitudes que plazas se seleccionarán los alumnos/as según el orden de inscripción.
Ana Margarita Espino, profesora del Departamento de Microbiología, Facultad de Medicina de la Universidad de Puerto Rico, Campus de Rio Piedras. Puerto Rico.
1) Inmunidad contra los Microorganismos. A) Bacterias Intracelulares • Mecanismos de patogenicidad • Inmunidad innata • Inmunidad adaptativa • Mecanismos de evasión de la respuesta B) Bacterias extracelulares • Mecanismos a través de los cuales causan su patogenicidad • Inmunidad innata • Inmunidad adaptativa • Mecanismos de evasión de la respuesta C) Inmunidad a los Virus • Inmunidad innata y adaptativa • Mecanismos de evasión de la respuesta.
2) Receptores de tipo toll y su role en la inmunidad innata • Origen, estructura y distribución de TLRs • Ligando(s) y antagonistas para cada TLR • Rutas de señalización • TLRs y la susceptibilidad a las enfermedades • Funciones de los TLRs en el sistema nervioso central • Terapéuticas implicaciones de los TLRs.
3) Paradigma de la diferenciación de macrófagos en M1 y M2 • Origen de M1 y M2 y su contextualización inmunológica • Estímulos requeridos para M1 y para M2 • Selección de M1 y M2 en el contexto de las enfermedades infecciosas.