Física médica, redes neuronales, python científico y computación cuántica
Los cursos de posgrado de FAMAF del segundo cuatrimestre, abiertos al público.
Se trata de cursos de posgrado arancelados. Las inscripciones se llevan a cabo desde el 3 al 14 de agosto. Para poder inscribirse es requisito tener título de grado o ser estudiante avanzado de una carrera de grado.
Los cursos son gratuitos para docentes, nodocentes y estudiantes de universidades públicas nacionales.
Para consultas comunicarse a: posgrado@famaf.unc.edu.ar.
A cargo de la Dra. Gabriela GRAD y el Dr. Edgardo BONZI.
Duración: remota sincrónica (puede haber presencial), 2 clases semanales de 2h cada una.
Modalidad: Dado que el curso será dictado mediante Google Colab, el mismo será dado de manera presencial remota sincrónica. Las plataforma a utilizar serán Aula virtual Moodle de la FAMAF y reuniones via meet.
Perfil del estudiante o potenciales estudiantes/interesados: Estudiantes de posgrado y estudiantes avanzados de grado, e Investigadores de disciplinas como Ciencias de la Computación, Física, Astronomía, Ingenierías y Químicas.
Objetivos y de qué se trata (qué problemática actual resuelvo): Capacitar a estudiantes e investigadores en el uso avanzado de las librerías científicas de Python para el modelado, simulación y análisis de fenómenos complejos, optimizando la eficiencia computacional y la calidad académica de sus investigaciones. El curso responde a la creciente necesidad de que estudiantes e investigadores incorporen herramientas modernas de computación científica basadas en software libre y reproducible. En este contexto, Python se ha consolidado como el lenguaje de referencia de la comunidad científica por su capacidad para integrar códigos heredados de alto rendimiento, aprovechar arquitecturas de cómputo actuales y optimizar el flujo de trabajo de investigación. La propuesta trasciende la enseñanza de programación básica, abordando aplicaciones directamente vinculadas con la práctica científica, como el cálculo simbólico, el análisis de datos experimentales, la resolución numérica de ecuaciones diferenciales y el uso de entornos colaborativos como Jupyter y Google Colab, promoviendo así estándares contemporáneos de eficiencia, interoperabilidad y reproducibilidad en la investigación.
A cargo del Dr. Ignacio SCARINCI.
Contactar para video a: Ignacio Scarinci <ignacio.scarinci@gmail.com>
Duración: 15 semanas
Modalidad: remota sincrónica, 2 clases semanales de 2h cada una
Perfil del estudiante o potenciales estudiantes/interesados: Orientado a profesionales de la física médica y estudiantes de posgrado con formación previa en aprendizaje automático, ofreciendo un puente directo hacia las aplicaciones más relevantes de la IA en física médica y hacia las tecnologías emergentes de agentes autónomos en entornos clínicos.
Puede difundirse por la Sociedad Argentina de Física Médica (SAFIM, https://www.safim.org/)
Objetivos y de qué se trata (qué problemática actual resuelvo): capacitar al
estudiante para diseñar e implementar soluciones basadas en IA ante problemas concretos de física médica, y para evaluar críticamente el desempeño y las limitaciones de dichas soluciones en el contexto clínico. El rápido desarrollo de la inteligencia artificial está transformando la práctica de la física médica, con aplicaciones que abarcan desde el análisis y procesamiento de imágenes médicas hasta la planificación de tratamientos y el soporte a la toma de decisiones clínicas. En este contexto, la formación de profesionales capaces de comprender, desarrollar y evaluar herramientas basadas en aprendizaje profundo y agentes de IA resulta estratégica para responder a las demandas actuales del área. El curso propone una formación progresiva que cubre los fundamentos del aprendizaje automático y profundo, el manejo de datos médicos en formatos especializados, y la validación clínica de los modelos, poniendo especial énfasis en la implementación responsable de estas tecnologías y en su integración efectiva en los flujos de trabajo de la física médica contemporánea.
Requerimientos para el cursado: Conocimientos de aprendizaje automático (Machine Learning, Deep Learning). Manejo de Python para análisis de datos y uso de bibliotecas científicas (NumPy, scikit-learn). Conocimientos básicos de cálculo diferencial y álgebra lineal. Se recomienda haber cursado previamente materias de estadística y procesamiento de señales.
A cargo del Dr. Omar OSENDA
Duración: 15 semanas
Modalidad: presencial (podría ser remota sincrónica), 2 clases semanales de 2h cada una
Perfil del estudiante o potenciales estudiantes/interesados: Estudiantes universitarios o egresados de cualquier carrera con formación en álgebra lineal, programación básica.
Objetivos y de qué se trata (qué problemática actual resuelvo): La computación cuántica es un paradigma de cómputo el cual ha cambiado el punto de vista sobre muchas áreas relacionadas a la Computación y a la Física, lo cual hace que cada vez sea más estudiada en contextos multidisciplinarios.
Entre los objetivos del curso está familiarizar al estudiante con el modelo de circuitos cuánticos, que es el modelo de computación cuántica más difundido debido a su parecido con los circuitos de compuertas lógicas de la computación. También es un objetivo la comprensión de los algoritmos más conocidos, como el de Grover o Shor, para los cuales es posible demostrar una ventaja clara respecto a algoritmos clásicos de búsqueda en una base de datos no rotulada y de factorización de productos de números primos, respectivamente. Relacionado con esto también se pretende estudiar el protocolo de encriptamiento RSA y el protocolo de distribución de claves criptográficas conocido como BB84. El curso pretende dar una base para aquellos/aquellas que deseen adquirir un conocimiento básico de las diferencias entre la computación digital convencional y otros modelos computacionales, principalmente el modelo de circuitos cuánticos, en qué tipo de problemas se puede afirmar que hay ventaja cuántica, además de estudiar cómo se implementan algunos problemas de optimización/aprendizaje automático usando computadoras cuánticas.
A cargo del Dr. Francisco TAMARIT.
Duración: 90h
Modalidad: 75h remota sincrónica y 15h asincrónicas
Perfil del estudiante o potenciales estudiantes/interesados: El curso requiere conocimientos previos de cálculo en una y muchas variables, álgebra lineal,
elementos de probabilidad y estadística y elementos de programación científica. Aunque se aceptará a quienes acrediten tener los conocimientos mínimos requeridos y posean otras formaciones. El curso está pensado para estudiantes de posgrado y estudiantes avanzados/as de grado de las siguientes disciplinas: Ciencias de la Computación, Física, Física Médica, Matemática Aplicada, Matemática, Astronomía, Ingenierías, Químicas y Ciencias Económicas,
Objetivos y de qué se trata (qué problemática actual resuelvo): Las redes neuronales constituyen uno de los pilares conceptuales y tecnológicos de la inteligencia artificial contemporánea, con aplicaciones que abarcan desde el reconocimiento de patrones y el procesamiento del lenguaje hasta la visión por computadora y la toma de decisiones automatizada. Este curso propone una formación rigurosa en los fundamentos matemáticos, físicos y computacionales que sustentan estos modelos, recorriendo su evolución desde las primeras aproximaciones inspiradas en mecanismos biológicos hasta las arquitecturas profundas más utilizadas en la actualidad. A través de una combinación de contenidos teóricos y prácticos, los estudiantes adquirirán herramientas para comprender, implementar y evaluar distintos modelos neuronales utilizando librerías especializadas de Python, desarrollando criterios para seleccionar arquitecturas adecuadas según el problema a resolver, comparar sus resultados con métodos estadísticos tradicionales y reflexionar críticamente sobre las implicancias éticas y el uso responsable de las tecnologías basadas en inteligencia artificial.