Fase inicial (Primer semestre)
La Fase Inicial está diseñada para proporcionar a los nuevos integrantes una introducción sólida a la inteligencia artificial, asegurando que adquieran los conocimientos básicos necesarios para su posterior desarrollo en neuroinformática e inclusión en futuros proyectos del semillero.
2024-2
Semana 1
- Bienvenida
Semana 2
- Introducción a Neuroinformática e IA
Semana 3
- Python / Bases y ejercicios sesión1
Semana 4
- Python / Bases y ejercicios sesión2
Semana 5
- Machine Learning / K-means&SVM (teoría)
Semana 6
- Machine Learning / K-means&SVM (ejemplos prácticos)
Semana 7
- Machine Learning / Random Forest
Semana 8
- Neural Networks / Introducción a DNN con mnist
Semana 9
- Neural Networks / Introducción a CNN con fashion_mnist
Semana 10
- Neural Networks / CNN más complejas y técnicas de mejora de accuracy
Semana 11
- Neural Networks / Introducción a Transfer Learning
Semana 12
- Neural Networks / RNN y LSTM
Semana 13
- Neural Networks / Introducción a Transformers
2024-2
Semana 1
- Bienvenida
Semana 2
- Introducción a Neuroinformática e Inteligencia Artificial, junto con socialización de posibles proyectos de investigación
Semana 3
- Bases y ejercicios de Python sesión1
Semana 4
- Bases y ejercicios de Python sesión2
Semana 5
- Machine Learning / K-means & SVM (teoría)
Semana 6
- Machine Learning / K-means & SVM (ejemplos)
Semana 7
- Machine Learning / Random Forest
Semana 8
- Neural Networks / Introducción a DNN con mnist
Semana 9
- Neural Networks / Introducción a CNN con fashion_mnist
Semana 10
- Neural Networks / CNN más complejas y técnicas de mejora de CNN
Semana 11
- Neural Networks / Introducción a Transfer Learning con ejemplo
Semana 12
- Neural Networks / RNN y LSTM
Semana 13
- Neural Networks / Introducción a Transformers
Fase de Enseñanza (Segundo semestre)
La fase de enseñanza del semillero se centra en la consolidación del conocimiento de inteligencia artificial a través de la rotación de responsabilidades docentes entre miembros avanzados y nuevos, promoviendo el aprendizaje activo y el desarrollo de habilidades pedagógicas y comunicativas.
- Objetivos: La fase de enseñanza está diseñada para mantener el dinamismo del semillero y asegurar que los nuevos miembros adquieran una sólida comprensión de los conceptos básicos de inteligencia artificial. Al mismo tiempo, se busca que los miembros avanzados refuercen y consoliden sus conocimientos previamente adquiridos, desarrollen habilidades pedagógicas y mejoren sus capacidades de comunicación.
- Metodología:
- Rotación de Enseñanza: Los miembros que ya han pasado la primer fase se encargan de enseñar a los nuevos integrantes, alternando la responsabilidad de impartir las sesiones. Esta rotación permite que todos los miembros tengan la oportunidad de enseñar y aprender de diferentes perspectivas.
- Técnica Feynman: Basándonos en la técnica Feynman, promovemos la idea de aprender explicando. Los miembros de esta fase consolidan su conocimiento al enseñarlo a otros, convirtiendo el proceso de aprendizaje en una actividad dinámica y efectiva.
- Actividades:
- Reuniones Preparatorias: Antes de cada sesión de enseñanza, se realiza una reunión simulacro con el miembro que impartirá la clase. En esta reunión, se proporcionan retroalimentación y aclaraciones sobre los conceptos a enseñar, asegurando que el contenido sea claro y preciso.
- Sesiones de Enseñanza: Durante la sesión, el miembro encargado realiza una explicación teórica del tema seguida de una actividad práctica con ejemplos. Estas sesiones cuentan con el apoyo del tutor del semillero y de otros miembros avanzados para proporcionar asistencia en caso de ser necesario.
Nota: Se permite a los nuevos integrantes comenzar a asistir a las sesiones de la fase avanzada cuando se sientan preparados.
Fase Avanzada (Tercer semestre en adelante)
La Fase Avanzada del semillero se enfoca en la exploración profunda de temas especializados en neuroinformática. Esta fase tiene como propósito desarrollar habilidades avanzadas de investigación y manejo de datos, preparando a los miembros para contribuir significativamente en proyectos de investigación.
2024-1
- Principios básicos de la Electroencefalografía desde el ámbito médico
- Ubicación de electrodos
- Introducción a MATLAB para el procesamiento de señales.
- Instalación y configuración de EEGLab.
- Carga, visualización de datos EEG en EEGLab
- Aplicación específica de la EEG en la medicina (ejemplo de proyecto en curso)
- Explicacion de lo que se ha trabajado en los proyectos
- Artefactos comunes en las Señales EEG
- Preprocesamiento de datos EEG continuos con EEGLab
- ICA para remoción de artefactos