Tema 1: La transición de estudiante a científico/a. Reflexiones sobre el sistema educativo. Elección de un problema científico relevante. La frontera del conocimiento. El sistema académico y científico español.
Tema 2: Creatividad y potencial creativo individual. Curiosidad y Generación de Ideas. Pensamiento creativo: Intuición, entrenamiento y placer. El proceso del descubrimiento.
Tema 3: Estrategias para fomentar la creatividad. Mentalidad de crecimiento, el pensamiento divergente, lateral y asociativo. Serendipia y oportunidad. Los errores como motor de aprendizaje.
Tema 4: Creatividad colectiva. Tormenta de ideas. Inteligencia colectiva como una propiedad emergente en grupos de investigación. Papel de la diversidad y estructura del grupo en la creatividad colectiva.
Tema 5: El método científico y la inferencia fuerte. El método hipotético-deductivo y el método inductivo en la era del bigdata. Generación de múltiples hipótesis y cómo refutar o confirmar las mismas.
Tema 6: Conducta responsable en ciencia. Origen de las buenas prácticas de laboratorio (GLP) y los sistemas de control de calidad. Integridad, plagio y fabricación. Análisis de casos. Ética en los científicos.
Tema 7: Ciencia patológica y pseudociencia. Autoengaño e interpretación ilusoria o errónea de los datos. Casos de estudio: Lysenko y el declive de la genética en la unión soviética. Pseudociencias y responsabilidad social de la ciencia.
Tema 8: La comunicación entre científicos 1. El poster y la comunicación oral. Recursos gráficos y calidad de las figuras. Técnicas de amplificación de la señal frente al ruido. Enfrentándonos al miedo escénico.
Tema 9: La comunicación entre científicos 2. El artículo científico. Importancia del título, el resumen, la calidad de las figuras y la legibilidad del texto. El párrafo como unidad de escritura. Cómo seleccionar la revista adecuada para mi investigación. Importancia de la “cover letter”. Proceso de revisión por pares y cómo aprender del rechazo. Redactar respuestas a los revisores
Curso destinado a alumnos de doctorado con un enfoque práctico hacia la interpretación de espectros 1D y 2D.
Tema I. Origen de la señal de RMN y núcleos activos en RMN. Desplazamiento químico. Integración. Factores que afectan al desplazamiento químico: efectos inductivos, mesómeros, cargas netas, anisotropía, campos eléctricos, van der Waals, enlaces de hidrógeno, efecto isotópico, efecto del medio. 2 h.
Tema II. El acoplamiento escalar. Espectros de primer orden: notación, tipos de acoplamientos (nJ, n ≥ 2), efecto tejado, árboles de desdoblamiento. Equivalencia química y equivalencia magnética. Relaciones entre estructura y magnitud relativa de los acoplamientos nJHH. Acoplamientos heteronucleares. Desacoplamiento homo y heteronuclear. Acoplamientos de orden superior a 1. 3 h.
Tema III. Concepto de relajación y factores de los que depende. Relación entre tiempos de relajación y estructura. El efecto Overhauser nuclear. Relación entre NOE y estructura. 1 h.
Tema IV. RMN dinámica: escalas de tiempo en RMN, efectos en el desplazamiento químico y en las constantes de acoplamiento. 1 h.
Tema V. RMN-13C{1H}: medida de espectros (efecto del desacoplamientos de 1H). Desplazamiento químico. Factores que afectan al desplazamiento químico. Edición de espectros. 2 h.
Tema VI. Introducción a la RMN bidimensional. Tipos de espectros y ejemplo de aplicación (resolución de problema estructural analizando COSY, HSQC y NOESY, sin otros concimientos previos). 1 h.
Tema VII. Espectros COSY, COSYDQF, TOCSY (incluido TOCSY selectivo), HSQC, HMQC, HMBC, NOESY, HOESY. 2 h.
| Jueves 14 | Lunes 18 | Jueves 21 | Lunes 25 | Jueves 28 | Jueves 04 |
|---|---|---|---|---|---|
| Tema I/2 h | Tema II/2 h | Tema II/1 h | Tema IV/1 h | Tema V/1 h | Tema VII/2 h |
| Tema III/1 h | Tema V/1 h | Tema VI/ 1 h |
Es notorio que la Inteligencia Artificial (I.A.) permea todas las áreas de conocimiento y puede tener un impacto relevante en cuestiones sociales y económicas. Sin embargo, también es notorio que en muchos casos no se tiene conocimiento riguroso de sus potencialidades y limitaciones, entendiéndose más como un arcano con nombre bonito que como una disciplina científica bien asentada, que puede proporcionar soluciones a problemas para los que no las hay en todos los ámbitos del saber, y muy particularmente para muchas de las líneas de investigación más avanzadas (en las que se inscriben las tesis doctorales).
De cara a abrir ventanas de oportunidad para la investigación a partir de técnicas y modelos basados en I.A., es fundamental que los doctorandos conozcan de qué hablamos cuando hablamos de esa materia, cuáles son sus limitaciones y cuales sus perspectivas a corto plazo, desde un punto de vista científico, solido y riguroso.
En esta actividad de carácter esencialmente transversal y de máximo rigor científico, se plantea como objetivo principal clarificar las cuestiones básicas asociadas con la I.A., desterrar algunos de los mitos más usuales y proveer una explicación clara y sencilla de las principales técnicas que permiten la construcción de sistemas basados en IA.
Dirigido a estudiantes de doctorado de
- Escuela de Doctorado de Ciencias de la Salud (EDCS)
- Escuela de Doctorado de Ciencias, Tecnologías e Ingenierías (EDCTI)
- Escuela de Doctorado de Humanidades, Ciencias Sociales y Jurídicas (EDHCSJ)
- Un recorrido histórico por la IA.
- Representación del conocimiento.
- “Machine Learning”.
- Métodos de Búsqueda y Optimización.
- Procesamiento del lenguaje natural.
- Técnica de Recuperación de la Información.
- Procesamiento de Imágenes y Video.
- Robótica e IA.
Horario: 16:00 a 20:00hs
Luego se desarrollarán tres sesiones adicionales:
- Seminario de Aplicaciones de IA en Ciencias de la Salud
- Seminario de Aplicaciones de IA en Ciencias Sociales y Jurídicas
- Seminario de Aplicaciones de IA en Ingeniería
Horario: 16:00 a 20:00hs
El curso consta de tres módulos:
1. Perfil de investigador:- 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.
2. Bases de datos:- Bases de datos en: Ciencias, Tecnologías e Ingenierías y Ciencias de la Salud: JCR-Science, JCR-Social Science, WOS, SCOPUS, Digibug: Repositorio Institucional de la Universidad de Granada, SPI, TESEO
3. Gestores bibliográficos:- Introducción a los gestores bibliográficos
- Gestores bibliográficos: Mendeley, Flow, Endnote
Curso 2021/2022
Hay vida después de Word y PowerPoint!. Este curso está orientado al uso avanzado de LaTeX (software libre), para el maquetado de alta calidad de documentos técnicos y científicos. Se profundizará en la elaboración de material gráfico de interés en diferentes áreas de la Ciencia, Tecnología, e Ingeniería. Está especialmente orientado a alumnos de Doctorado y Master que necesitan publicar artículos, informes técnicos, proyectos, Tesis o Libros.
LaTeX Avanzado: Aplicación en Ciencias, Tecnologías e Ingenierías
El curso surge para dotar al alumnado de doctorado y máster de unas herramientas informáticas apropiadas para aumentar su productividad científica. Tiene como objetivo facilitar el proceso de elaboración de los resultados de investigación, haciendo hincapié en la generación de material gráfico. LaTeX es la herramienta ideal, pero debido a la gran cantidad de opciones disponibles, puede parecer difícil de dominar. Este curso tiene como principal objetivo guiar al alumnado de una manera sencilla y gradual para que se conviertan en usuario avanzado de LaTeX.
Conocimientos básicos de LaTeX. Que preferentemente deberían incluir: instalación, compilación, visor/editor de documentos. Se recomienda saber elaborar un documento básico, y conocer funcionalidades elementales como: tablas, bloques, comandos básicos, etc.
El curso está dirigido a estudiantes de la Escuela de Doctorado de Ciencias, Tecnologías e Ingenierías (EDCTI)
- Módulo 1: Maquetación de textos en LaTeX y Beamer para presentaciones.
- Módulo 2: Gráficos Vectoriales y uso de paquetes CTAN en LaTeX Ciencias, Tecnologías e Ingenierías.
- Módulo 3: Herramientas avanzadas en plantillas de LaTeX
20 hrs lectivas presenciales (teórico prácticas), y 32 hrs de trabajo del alumno (2 créditos ECTS). Clases de 2 hrs/diarias. Horario de mañana durante 2 semanas.
- Jose A. Dobado Catedrático de Univ.). Dpto. Química Orgánica. Fac. de Ciencias.
- Isaac Vidal Daza (Escala Técnica Informática). Apoyo a la Docencia. CSIRC
La superación del curso requerirá:
- Asistencia de al menos 70 % de las sesiones (50 % puntuación).
- Elaboración de un documento maquetado con LaTeX (25 % puntuación).
- Defensa oral con Beamer del trabajo realizado. (25 % puntuación).
MÓDULO 1: Uso Avanzado de LaTeX para maquetación de textos y Beamer para presentaciones (8 hrs)
Día 1: LaTeX avanzado (2 hrs)
Día 2: Generación de presentaciones con Beamer (2 hrs)
Día 3: Bases de datos con Biber y BibTeX (2 hrs)
Día 4: Uso de plantillas con LaTeX para el maquetado de los resultados de la investigación (2 hrs)
MÓDULO 2: Gráficos vectoriales y uso de paquetes de LaTeX en Ciencias, Tecnologías e Ingeniería (6 hrs)
Día 5: PGF/TikZ (2 hrs)
Días 6-7: Paquetes CTAN de CIENCIAS, TECNOLOGÍAS E INGENIERÍAS (4 hrs)
MÓDULO 3: Herramientas avanzadas en plantillas de LaTeX y presentación de trabajos (6 hrs)
Días 8-9: Maquetación avanzada en LaTeX (4 hrs)
Día 10: Presentación de trabajos (2 hrs)
Jose A. Dobado Facultad de ciencias
http://www.ugr.es/local/dobado
dobado@ugr.es
Se necesita portátil propio (Mac o PC).
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.
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.
- The course will be held presentially. Prof. Bro will intervene by virtual connection
- The course will be held in English.
It is necessary to have at least a B1 level (preferably B2 or higher). You can indicate in the “Observations” section your level of English and, if it is the case, if you have a certificate. / Este curso se impartirá íntegramente en inglés. Es necesario contar como mínimo con un nivel B1 (preferentemente B2 o superior). Pude indicar en el apartado “Observaciones” su conocimientos de inglés y en su caso si dispone de certificado para acreditarlo.
- It is requiered basic knowledge of MatLab. Those students who can provide certification of that knowledge will have preference in 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? Big Data?
The course goal is to introduce the students to very powerful data visualization techniques to look into your data set. There is a bunch of Machine Learning (ML) methods that can do difficult tasks (like classification, modelling and prediction) using a black-box approach over data, deep learning being a popular example. This course shows a totally different approach to handling data, using ML only as an instrument (as a means) to understand your data. MEDA will show you how to look into your data set, regardless its complexity, so that you can find groups of individuals and classify them, understand relationships among measured quantities, detect anomalies, find parsimonious models, etc.
The course is led by Professor Rasmus Bro, world leading professor on data analysis in biological and food sciences, and his collaborator at the UGR Dr. José Camacho, specialist on data analysis in Big Data and Exploratory Data Analysis.
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.
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 & Dr. Camacho)
| 8:30-9:30 | Welcome (Bro & Camacho) |
| 9:30-10:00 | 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 |
| 16:15-18:00 | Competition! |
Day 3: MEDA Toolbox (Dr. Camacho)
| 9:00-10:00 | Introduction to the MEDA Toolbox |
| 10:00-11:15 | Using the command line interface |
| 11:15-11:30 | Break |
| 11:30-12:30 | Advanced Exploratory Data Analysis |
| 12:30-13:30 | Exercises & Examples |
| 13:30-15:30 | Lunch |
| 15:30-17:00 | Exercises |
Day 4: Big Data (Dr. Camacho)
| 9:00-11:00 | Extensions to Big Data: Big Observations |
| 11:00-11:30 | Break |
| 11:30-12:30 | Exercises |
| 12:30-13:30 | Extensions to Big Data: Big Variables |
| 13:30-15:30 | Lunch |
| 15:30-17:00 | Exercises |
Day 5: 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.
| 9:00-14:00 | Playing with your data |