Talleres Corporativos

Domina los fundamentos de la computación numérica robusta con enfoque en reproducibilidad, estabilidad y corrección.

• Aritmética de punto flotante y errores numéricos
• Estabilidad de algoritmos y condicionamiento
• Mejores prácticas de álgebra lineal
• Marcos de reproducibilidad

Duración: 2 días

Formato: Taller práctico

Requisitos: Conocimientos básicos de programación

Desbloquea las capacidades de rendimiento de Julia mediante computación paralela, multi-threading y técnicas de optimización.

• Perfilado de rendimiento y benchmarking
• Multi-threading y paralelismo
• Computación GPU con CUDA.jl
• Estabilidad de tipos y optimización del compilador

Duración: 3 días

Formato: Laboratorio intensivo práctico

Requisitos: Conceptos básicos de Julia, álgebra lineal

Aprende a aprovechar efectivamente modelos de lenguaje grandes y asistentes de IA para acelerar el desarrollo de software científico manteniendo la calidad y corrección del código.

• Ingeniería de prompts para generación y depuración de código
• Refactorización y documentación asistida por IA
• Pruebas de código científico generado por IA
• Mejores prácticas para colaboración humano-LLM
• Limitaciones y estrategias de validación

Duración: 2 días

Formato: Taller interactivo con ejercicios prácticos

Requisitos: Conocimientos básicos de programación, familiaridad con Python o Julia

Integra ML informado por física y solucionadores de ecuaciones diferenciales en flujos de trabajo de investigación.

• Redes neuronales informadas por física (PINNs)
• ODEs neuronales y solucionadores de ecuaciones diferenciales
• Cuantificación de incertidumbre
• Validación y benchmarking de modelos

Duración: 4 días

Formato: Capacitación intensiva práctica

Requisitos: Conceptos básicos de ML, cálculo, álgebra lineal

Lleva la colaboración en tu código de investigación al siguiente nivel con prácticas de control de versiones estándar de la industria.

• Flujos de trabajo avanzados de Git (branching, merging, rebasing).
• Mejores prácticas de revisión de código (code review) y protocolo para pull requests.
• Estándares de desarrollo colaborativo.
• Conceptos básicos de CI/CD para software científico.

Duración: 1 día

Formato: Taller + Práctica (Hands-on)

Requisitos: Familiaridad básica con control de versiones

Pasa de prototipos de Jupyter/MATLAB a sistemas de producción de nivel empresarial.

• Diseño de arquitectura modular
• Desarrollo y despliegue de APIs
• Ingeniería de pipelines de datos
• Monitoreo y observabilidad

Duración: 3 días

Formato: Taller con refactorización en vivo

Requisitos: Código de investigación que necesita productivización

Diseña sistemas escalables y mantenibles usando lenguajes específicos de dominio (DSLs), estrategias de monorepo y patrones de desacoplamiento.

• Diseño de lenguajes específicos de dominio (DSL)
• Arquitectura y herramientas de monorepo
• Inversión de dependencias y desacoplamiento
• Patrones de integración de sistemas

Duración: 4 días

Formato: Taller de arquitectura + casos de estudio

Requisitos: Experiencia en ingeniería de software

Construye software científico robusto y confiable a través de estrategias sistemáticas de prueba y desarrollo guiado por pruebas.

• Metodología de desarrollo guiado por pruebas (TDD).
• Estrategias de testing (unitario, de integración, end-to-end).
• Métricas de cobertura de pruebas (coverage) y estándares de calidad.
• Pruebas para cómputo científico y precisión numérica.
• Uso de mocks, fixtures y gestión de datos de prueba.
• Testing continuo en pipelines de CI/CD.

Duración: 2 días

Formato: Taller + Sesiones Prácticas de TDD

Requisitos: Conocimiento práctico de al menos un lenguaje de programación

Domine los fundamentos de tratar imágenes como arrays numéricos y construir pipelines de análisis reproducibles. Elimine flujos de trabajo de "apuntar y hacer clic" en favor de código procesable por lotes y controlado por versiones.

• Operaciones de arrays NumPy y representación de imágenes
• Scikit-image para filtrado y segmentación
• Estrategias de procesamiento por lotes y E/S de archivos
• Integración con Pandas para resultados cuantitativos
• Métricas de control de calidad y validación

Duración: 3 días

Formato: Taller práctico

Requisitos: Conocimientos básicos de Python

Aprenda a construir y desplegar herramientas de análisis personalizadas dentro de Napari, el visor estándar de imágenes multidimensionales para Python. Cree plugins de grado de producción que cierren la brecha entre métodos computacionales y accesibilidad para el usuario final.

• Arquitectura de Napari y ecosistema de plugins
• MagicGUI para desarrollo rápido de interfaces
• Patrones de diseño de widgets y flujos de trabajo de usuario
• Estándares de pruebas y documentación
• Despliegue en PyPI y gestión de versiones

Duración: 2 días

Formato: Taller práctico

Requisitos: Dominio de Python, experiencia básica en análisis de imágenes

Una inmersión integral en Deep Learning para imágenes de microscopía. Aprenda a entrenar, validar y desplegar modelos de segmentación personalizados usando arquitecturas modernas. Énfasis en calidad de ground truth y evitar predicciones sobre-confiadas.

• Estrategias de anotación de ground truth y control de calidad
• Selección de arquitectura de modelos (StarDist, Cellpose, U-Net)
• Pipelines de entrenamiento basados en la nube (optimización GPU)
• Métricas de validación y análisis de errores
• Despliegue de inferencia en producción y monitoreo

Duración: 4 días

Formato: Taller práctico

Requisitos: Python, NumPy, conceptos básicos de aprendizaje automático

Vaya más allá de las arquitecturas estándar y adéntrese en la vanguardia del aprendizaje profundo para imágenes científicas. Este curso se centra en diseñar e implementar soluciones novedosas para problemas de imagen desafiantes.

• Arquitecturas personalizadas de CNN y transformers
• Aprendizaje auto-supervisado y no supervisado para datos de imágenes
• Fusión de datos multimodales (ej. imágenes + secuenciación)
• Técnicas avanzadas de segmentación de imágenes (ej. segmentación panóptica)
• Modelos generativos para restauración y aumento de imágenes

Duración: 5 días

Formato: Taller práctico

Requisitos: Python, PyTorch, experiencia con modelos de aprendizaje profundo

Aprenda a traducir preguntas biológicas en modelos matemáticos. Este curso cubre los fundamentos de la construcción, simulación y análisis de modelos de sistemas biológicos,desde células individuales hasta poblaciones.

• Modelado basado in ecuaciones diferenciales ordinarias (EDO)
• Estimación de parámetros y análisis de sensibilidad
• Análisis de bifurcaciones y multiestabilidad
• Modelado estocástico de procesos biológicos
• Análisis de redes de rutas biológicas

Duración: 4 días

Formato: Taller práctico

Requisitos: Python, cálculo, álgebra lineal, conceptos básicos de biología