El curso está orientado al análisis e interpretación de datos para la extracción de información sustantiva, como así también al diseño de experiencias orientadas a la obtención de modelos que describan adecuadamente un sistema en estudio. Estos sistemas objeto de estudio son esencialmente multivariados, es decir, dependen de un número grande de variables. El objetivo es que el participante obtenga un manejo suficiente de los criterios expuestos como para poder resolver los problemas específicos que se le presentan en su especialidad.
Edificio 3iA, Campus Miguelete, UNSAM
Informes e inscripción: [email protected]
Alumnos de posgrado y profesionales dedicados a cualquier área de la ciencia o ingeniería
Conocimientos previos al curso
Nivel imprescindible de conocimientos previos: curso básico de estadística, dominio elemental de Excel y Windows.
Conocimientos necesarios y deseables (no imprescindibles): Esto significa que el alumno deberá manejar estos conocimientos durante el curso, si no los adquirió anteriormente, deberá hacerlo durante el desarrollo del mismo. Éstos son: dominio inicial de Matlab y álgebra lineal básica.
Primera parte: Técnicas lineales
Tema 1: Introducción a los problemas de variables múltiples
Aquí se enfoca el problema de caracterizar un sistema. La dificultad o facilidad para caracterizarlo dependerá del número de variables con que se describe el mismo. Al aumentar el número de variables se facilita la caracterización pero se complica la interpretación, por eso la ‘reducción dimensional’ es el objetivo central que buscan las técnicas de análisis lineal. Aquí se muestran en forma introductoria algunos de esos métodos que se analizarán con detalle durante el curso.
Tema 2: Análisis por Componentes Principales, Modelos y Análisis de Factores
Esta es una de las principales técnicas de reducción dimensional y sin duda la más difundida entre las técnicas lineales. Mientras que los cálculos pueden ser “transparentes” al operador, la interpretación de los resultados puede simplificar grandemente el entendimiento de un sistema. Además es una herramienta fundamental para determinar el número de parámetros realmente necesarios para caracterizar un sistema. Otras variantes inspiradas en los mismos principios ofrecen una gama de métodos de análisis de datos.
Objetivo del análisis. Noción del cálculo. Interpretación de los CP, de los pesos y de los ‘scores’. La reducción dimensional a través de los CP.
Tema 3: Calibración multivariada
Este tópico es esencial en química analítica, pero en realidad es aplicable a la calibración de cualquier instrumento que nos entregue, como resultado de la medición, un vector (ó matriz) de datos en lugar de un dato único. Como es sabido, los instrumentos modernos se caracterizan por brindar una cantidad de información mucho mayor que los de tecnologías pasadas y se hace imprescindible contar con técnicas de cálculo que procesen adecuadamente esta información adicional.
Calibración univariante
Calibración multivariada
Tema 4: Análisis de “Clusters” (grupos)
Este es otro método de reducción dimensional, pero sus principios radican en establecer la similitud entre los integrantes de un conjunto de datos y la posibilidad de observar “clusters” o subgrupos de datos similares. Estas técnicas son una herramienta esencial en tareas de clasificación y pueden aplicarse en forma consecutiva al análisis por CP . Se ejemplifican aquí algunas aplicaciones que van desde el análisis de ‘outlayers’ al estudio de fases móviles en una cromatografía.
Epílogo de la primera parte: Modelos y métodos estadísticamente lineales y no lineales.
Segunda parte: Redes neuronales artificiales (RNA)
Las redes neuronales artificiales están inspiradas en el proceso cibernético de las neuronas reales. Estas redes pueden ejecutar sencillas funciones con mucha eficiencia y su característica principal es que pueden aplicarse a sistemas no lineales. Sus utilidades son muy variadas en los campos de la ciencia y la tecnología. Algunos de sus usos generales son la clasificación de objetos, el análisis de la estructura de datos, la optimización de sistemas y el modelado empírico.
Tema 1: introducción general a las redes neuronales artificiales
Tema 2: Tipos de redes
Tercera parte: Diseño de experimentos y Modelos empíricos
Hasta ahora se han enunciado algunas técnicas orientadas al tratamiento de datos para extraer información. Sin embargo no nos hemos referido al tema de cómo obtener esa serie de datos. El diseño de experimentos es una técnica esencialmente multivariable. Sus objetivos son optimizar la precisión del cálculo de parámetros utilizando una cantidad mínima de experimentos. Estos métodos apuntan a la obtención de algoritmos o gráficos que describan un modelo capaz de representar nuestro sistema en estudio.
Tema 1: Introducción al diseño de experimentos
Tema 2: Distintos tipos de diseños.
Epílogo: Discusión teórico-práctica de los criterios para evaluar el armado de un modelo de interés propuesto por los asistentes.
Dr. Jorge Magallanes
General: $4000
Alumnos de Doctorado y/o Maestrías de Universidades NO UNSAM: $2000
Alumnos de Doctorado y/o Maestrías de la UNSAM y personal de CNEA: Exentos
El pago del arancel cubre los materiales de estudio.
Carga horaria:
Clases teóricas: 36 horas
Clases prácticas: 30 horas (10 prácticas)
Nota: no están incluidas las clases de repaso previas a la evaluación
Cronograma semanal del curso (para curso regular no intensivo)
Una clase teórica semanal de 3h, los martes de 14 a 17h
Una clase semanal teórica de 1h seguida de una clase práctica de 3 h, los jueves de 13 a 17h
Total: 7 horas semanales
11 de abril de 2019
27 de junio de 2019
Informes e inscripción: [email protected]
Edificio 3iA, Campus Miguelete, UNSAM
El curso está orientado al análisis e interpretación de datos para la extracción de información sustantiva, como así también al diseño de experiencias orientadas a la obtención de modelos que describan adecuadamente un sistema en estudio. Estos sistemas objeto de estudio son esencialmente multivariados, es decir, dependen de un número grande de variables. El objetivo es que el participante obtenga un manejo suficiente de los criterios expuestos como para poder resolver los problemas específicos que se le presentan en su especialidad.
Alumnos de posgrado y profesionales dedicados a cualquier área de la ciencia o ingeniería
Conocimientos previos al curso
Nivel imprescindible de conocimientos previos: curso básico de estadística, dominio elemental de Excel y Windows.
Conocimientos necesarios y deseables (no imprescindibles): Esto significa que el alumno deberá manejar estos conocimientos durante el curso, si no los adquirió anteriormente, deberá hacerlo durante el desarrollo del mismo. Éstos son: dominio inicial de Matlab y álgebra lineal básica.
Primera parte: Técnicas lineales
Tema 1: Introducción a los problemas de variables múltiples
Aquí se enfoca el problema de caracterizar un sistema. La dificultad o facilidad para caracterizarlo dependerá del número de variables con que se describe el mismo. Al aumentar el número de variables se facilita la caracterización pero se complica la interpretación, por eso la ‘reducción dimensional’ es el objetivo central que buscan las técnicas de análisis lineal. Aquí se muestran en forma introductoria algunos de esos métodos que se analizarán con detalle durante el curso.
Tema 2: Análisis por Componentes Principales, Modelos y Análisis de Factores
Esta es una de las principales técnicas de reducción dimensional y sin duda la más difundida entre las técnicas lineales. Mientras que los cálculos pueden ser “transparentes” al operador, la interpretación de los resultados puede simplificar grandemente el entendimiento de un sistema. Además es una herramienta fundamental para determinar el número de parámetros realmente necesarios para caracterizar un sistema. Otras variantes inspiradas en los mismos principios ofrecen una gama de métodos de análisis de datos.
Objetivo del análisis. Noción del cálculo. Interpretación de los CP, de los pesos y de los ‘scores’. La reducción dimensional a través de los CP.
Tema 3: Calibración multivariada
Este tópico es esencial en química analítica, pero en realidad es aplicable a la calibración de cualquier instrumento que nos entregue, como resultado de la medición, un vector (ó matriz) de datos en lugar de un dato único. Como es sabido, los instrumentos modernos se caracterizan por brindar una cantidad de información mucho mayor que los de tecnologías pasadas y se hace imprescindible contar con técnicas de cálculo que procesen adecuadamente esta información adicional.
Calibración univariante
Calibración multivariada
Tema 4: Análisis de “Clusters” (grupos)
Este es otro método de reducción dimensional, pero sus principios radican en establecer la similitud entre los integrantes de un conjunto de datos y la posibilidad de observar “clusters” o subgrupos de datos similares. Estas técnicas son una herramienta esencial en tareas de clasificación y pueden aplicarse en forma consecutiva al análisis por CP . Se ejemplifican aquí algunas aplicaciones que van desde el análisis de ‘outlayers’ al estudio de fases móviles en una cromatografía.
Epílogo de la primera parte: Modelos y métodos estadísticamente lineales y no lineales.
Segunda parte: Redes neuronales artificiales (RNA)
Las redes neuronales artificiales están inspiradas en el proceso cibernético de las neuronas reales. Estas redes pueden ejecutar sencillas funciones con mucha eficiencia y su característica principal es que pueden aplicarse a sistemas no lineales. Sus utilidades son muy variadas en los campos de la ciencia y la tecnología. Algunos de sus usos generales son la clasificación de objetos, el análisis de la estructura de datos, la optimización de sistemas y el modelado empírico.
Tema 1: introducción general a las redes neuronales artificiales
Tema 2: Tipos de redes
Tercera parte: Diseño de experimentos y Modelos empíricos
Hasta ahora se han enunciado algunas técnicas orientadas al tratamiento de datos para extraer información. Sin embargo no nos hemos referido al tema de cómo obtener esa serie de datos. El diseño de experimentos es una técnica esencialmente multivariable. Sus objetivos son optimizar la precisión del cálculo de parámetros utilizando una cantidad mínima de experimentos. Estos métodos apuntan a la obtención de algoritmos o gráficos que describan un modelo capaz de representar nuestro sistema en estudio.
Tema 1: Introducción al diseño de experimentos
Tema 2: Distintos tipos de diseños.
Epílogo: Discusión teórico-práctica de los criterios para evaluar el armado de un modelo de interés propuesto por los asistentes.
Dr. Jorge Magallanes
General: $4000
Alumnos de Doctorado y/o Maestrías de Universidades NO UNSAM: $2000
Alumnos de Doctorado y/o Maestrías de la UNSAM y personal de CNEA: Exentos
El pago del arancel cubre los materiales de estudio.
Carga horaria:
Clases teóricas: 36 horas
Clases prácticas: 30 horas (10 prácticas)
Nota: no están incluidas las clases de repaso previas a la evaluación
Cronograma semanal del curso (para curso regular no intensivo)
Una clase teórica semanal de 3h, los martes de 14 a 17h
Una clase semanal teórica de 1h seguida de una clase práctica de 3 h, los jueves de 13 a 17h
Total: 7 horas semanales
11 de abril de 2019
27 de junio de 2019
