Inicio » Cursos posgrado » Curso de Doctorado » Herramientas Computacionales para el Análisis de Datos en Neurociencia

Herramientas Computacionales para el Análisis de Datos en Neurociencia

    Docente expositora: Cecilia Jarne

    Inscripción y postulación a becas: 17 al 31 de agosto de 2026

    Fecha de realización:  del 25 de septiembre al 9 de diciembre de 2026. Habrá cuatro encuentros sincrónicos los días: 25/9, 2/10, 9/10 y 16/10, de 9.30 a 11 horas.

    Carga horaria: 40 horas

    Metodología: Teórico- práctico

    Modalidad: a distancia

    Código del curso: 44/DCYT

    Certificado: Se entregarán certificados de asistencia y aprobación de la Universidad Nacional de Quilmes.

    Arancel: Residentes en el país: $152000 (Extranjeros residentes en Argentina, deberán presentar certificado de residencia en el país. Caso contrario, la facturación se realizará como Residentes en otros países.)

    -Residentes en otros países: informes_posgrado@unq.edu.ar

    Proceso de Inscripción

    Antes de comenzar el proceso de inscripción, asegurate de tener una dirección de correo electrónico válida y que funcione correctamente, hasta obtener el usuario de estudiante de la UNQ, con dominio “@uvq.edu.ar”, el cuál se considerará automáticamente como su domicilio electrónico. Es importante destacar que las comunicaciones que enviemos a estas direcciones se considerarán válidas y suficientes a todos los efectos legales

    A continuación les facilitamos la guía de inscripción: “Guía de Inscripción a cursos de posgrado”

    Admisión

    Los/as aspirantes a las propuestas formativas de posgrado deberán poseer como mínimo alguna de las siguientes condiciones:
    a) Ser graduado/a universitario con título de grado final expedido por una Universidad Nacional, Universidad Provincial o Universidad Privada reconocida por el Poder Ejecutivo Nacional, correspondiente a una carrera con al menos cuatro (4) años de duración;
    b) Graduados/as de Universidades extranjeras reconocidas por las autoridades competentes en su país.
    c) Acreditar estudios terciarios completos de cuatro (4) o más años de duración con título final expedido por una institución reconocida por la autoridad educativa competente.

    Fundamentación

    El presente curso se ofrece en el marco del Doctorado en Ciencia y Tecnología

    El desarrollo de métodos computacionales para el análisis de datos cerebrales es una tarea fundamental en neurociencia moderna, asi como tambien el uso de los frameworks y colecciones de sofware colaborativas y opensource para el análisis de datos. El ecosistema que abarca estas herramientas es enorme, y los investigadores en formacion necesitan una guia para saber cual es el que mejor se adapta al tipo de datos que deben analizar y su contexto. En este curso se abordarán herramientas basadas en Python asi como técnicas de Machine Learning aplicadas al estudio de la actividad cerebral en diferentes escalas (micro, meso y macro). Se enfatizará el uso de software libre y bases de datos abiertas.

    Objetivo general: Brindar a los estudiantes conocimientos teóricos y prácticos sobre las librerias más usadas basadas en Python y distintas técnicas de Machine Learning para el análisis de datos neurocientíficos.

    Objetivos específicos:

    • Comprender las diferentes escalas de análisis de datos cerebrales.
    • Aplicar técnicas de procesamiento de señales a datos para las técnicas de EEG/MEG y fMRI, pero tambien para datos de electrofisiología.
    • Implementar modelos de Machine Learning para predecir rasgos individuales a partir de datos cerebrales.
    • Aprender los fundamentos para utilizar herramientas avanzadas de análisis de neuroimagen.

    Unidades/módulos (incluir bibliografía obligatoria y optativa1): Módulo 1: Introducción a Python para Neurociencia

    • Librerías esenciales: NumPy, SciPy, Matplotlib, Pandas.
      • Procesamiento de señales con SciPy.
      • Enlaces útiles:
        • NumPy
        • SciPy
        • Matplotlib

    Módulo 2: Procesamiento de Datos Cerebrales

    • Preprocesamiento y procesamiento dede datos EEG, MEG y fMRI.
    • Uso de MNE-Python para análisis de EEG/MEG.
    • Visualización de datos cerebrales con Nilearn y FreeSurfer.
    • Se recomienda utilizar las normas APA https://normasapa.com/

    Módulo 3: Machine Learning en Neurociencia

    • Modelos supervisados y no supervisados.
    • Aplicaciones de Scikit-learn en neurociencia.
    • Redes neuronales con TensorFlow y Keras.

    Módulo 4: Análisis Avanzado y Aplicaciones

    • Modelos ocultos de Markov y HMM para neurociencia.
    • Análisis de correlaciones y patrones en grandes bases de datos.
    • Evaluación y validación de modelos.

    Bibliografía:

    • Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
      • Cohen, M. X. (2014). Analyzing Neural Time Series Data: Theory and Practice. MIT Press.
      • Friston, K. (2007). Statistical Parametric Mapping: The Analysis of Functional Brain Images. Elsevier.
      • Alcain, P.;     Jarne, C.; Lugones R. & GM. Molina.       (2022) Técnicas de Programación Científica con Python.
      • Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.
      • O’Reilly, R. C., & Munakata, Y. (2000). Computational Explorations in Cognitive Neuroscience. MIT Press.
      •  

    Software y herramientas computacionales (Obligatoria):

    Modo de evaluación:

    • Participación en actividades prácticas.
    • Presentación de un proyecto final (implementación de software) aplicando técnicas vistas en el curso.

    Cronograma de clases:

    El curso se desarrollará en 2 encuentros presenciales (a definir) y 6 virtuales

    1. Introducción a Python y herramientas científicas.
    2. Procesamiento y reprocesamiento de datos neurocientíficos.
    3. Análisis de señales EEG/MEG.
    4. Modelos de Machine Learning básicos.
    5. Redes neuronales y aprendizaje profundo.
    6. Modelos avanzados y análisis de neuroimagen.
    7. Implementación de modelos en casos reales.
    8. Presentación de proyectos finales y cierre del curso.