Convocatoria para el envío de contribuciones: Crítica y Resistencias – Revista de Conflictos Sociales Latinoamericanos

By , 17 Abril, 2017 14:33

Está abierta la convocatoria para el envío de contribuciones a lo que será el cuarto número, previsto para julio de 2017.

Las y los interesados pueden enviar sus contribuciones sobre conflictos y luchas sociales urbanas, ambientales y del trabajo; análisis crítico de políticas públicas vinculadas a tierra, vivienda, trabajo, seguridad y ambiente; estudios de género y sexualidad; reflexiones de teoría política; y abordajes sobre epistemología y metodología de las ciencias sociales.

Los artículos científicos pueden ser investigaciones originales o avances de investigaciones empíricas en curso; revisiones críticas (discusiones conceptuales y/o epistemológicas); estudios de caso; o análisis y reflexiones históricas, filosóficas, económicas y culturales.

También se receptarán reseñas de libros, revistas o documentales que aborden las líneas generales que propone Crítica y Resistencias.

Podrán enviarse textos en idioma español, inglés y portugués, los cuales serán sometidos a referato (revisión por pares, doble ciego). El plazo de recepción de artículos será hasta el 21 de abril de 2017, direccionados al siguiente correo: criticaresistencias@gmail.com

convocatoria-critica-y-resistencia

Crítica y Resistencias (ISSN: 2525-0841) es una revista digital, interdisciplinaria y de periodicidad semestral que publica trabajos originales y de investigación, orientados al debate y análisis sobre problemas y conflictos sociales urbanos, ambientales y del trabajo en el contexto latinoamericano.

Es editada por el Colectivo de Investigación El Llano en Llamas, un grupo de investigadores e investigadoras de la Universidad Católica de Córdoba y la Universidad Nacional de Córdoba dedicado al estudio de los conflictos sociales que, entre otros proyectos, impulsa la Revista desde el año 2015.

 

 

Workshops “ Hands on Data “ de la Facultad de Ingeniería de la UCC

By , 17 Abril, 2017 12:25

Organiza: Cátedra de Sistemas Inteligentes (UCC) & Bioscience data Mining Group (CIDIE –  CONICET)

 

Asistencia Libre y Gratuita sujeto a disponibilidad

 

Cantidad de vacantes: 20

Fecha : Viernes 5 de Mayo de 10 a 17 Hrs

Lugar: Facultad de Ingeniería- Universidad Católica de Córdoba – Aula de Computación B

Enviar solicitud de participación a : 0419043@ucc.edu.ar (asunto: DL)

Workshop 1 : Introducción al Deep learning con aplicaciones

 

Disertante: Mg. Diego Marull

Lic. en Ciencias de la Computación (UNR – Rosario – 2009) y MS en Data Science (Columbia University – Nueva York – 2016). Ha realizado tareas de investigación en laboratorios en Francia, y trabajó desde 2010 hasta 2014 en el proyecto Leapsight, una base de datos para BigData que le valió el reconocimiento a través del programa Bec.AR para maestrias en Data Science en el exterior. Actualmente trabaja como analista en Data Science en Héritas/INDEAR, donde se dedica a tareas de machine learning y visualización para asistencia a la medicina de precisión (genómica). Su experiencia en Deep Learning involucra trabajos conjuntos con General Electric para detectar tejido pulmonar asociado a fibrosis usando Deep Learning sobre imágenes HRCT.

 

Introducción a Deep Learning (10 a 13 Hrs)

1. Qué es Deep Learning: historia, problemática de la complejidad de las Redes Neuronales, ventajas y desventajas respecto a modelos tradicionales de Machine Learning.

2. Tipos de Deep Networks: Deep Neural Networks, CNNs (Convolutional Neural Networks, Deep Belief Networks, (Stacked) Autoencoders.

3. Requisitos de poder de cómputo y hardware para procesar Deep Networks.

4. Presentación y comparación de distintos frameworks de Deep Learning (Theano, TensorFlow, Torch, Keras, Caffe, Apache Singa).

 

Almuerzo: 13:00 a 13:45.

 

Hands on Inicial de Deep Learning (14 a 17)

1. Introducción a la programación simbólica (slides en laboratorio).

2. Ejemplo 1: Operaciones básicas en Theano y TensorFlow.

3. Ejemplo 2: Regresión Logística o Regresión Lineal en TensorFlow

4. Ejercicio 1: Multilayer Perceptron en TensorFlow

5. Ejercicio 2: Convolutional Neural Networks en TensorFlow