SciPyCon Argentina 2013

Conferencia de Python en la Ciencia - Puerto Madryn, del 16 al 18 de mayo

Actividades

Fechas Importantes

  • Llamado a presentación de charlas y posters 5/2/2013 al 14/4/2013 Extensión hasta el 19 de Abril
  • Notificación de Charlas/Posters aceptados 26 de Abril

Comité Académico

  • Dr. Claudio Delrieux (DIEC-UNS)
  • Dr. Pablo Lotito (PLADEMA-UNICEN)
  • Lic. Rosa Wachenchauzer (UBA)
  • Ing. Gloria Bianchi (UNPSJB - TW)
  • Lic. Rafael Carrascosa (FAMAF-UNC)
  • Dr. Alejandro Russo (Chalmers University of Technology)
  • Dra. Pilar Bulacio (CIFASIS-CONICET)
  • Dra.Elizabeth Tapia (CIFASIS-CONICET)

Comité Organizador

  • Lic. Nahuel Defossé (UNPSJB - TW)
  • Lic. Damián Barry (UNPSJB - PM)
  • Ing. Gloria Bianchi (UNPSJB - TW)
  • Lic. Celia Cintas (UNPSJB - TW)
  • Lic. Lautaro Pecile (UNPSJB - TW)
  • Lic. Carlos Buckle (UNPSJB - PM)
  • Lic. Romina Stickar (UNPSJB - PM)

Disertantes

Invitado Internacional Confirmado!

Prabhu Ramachandran


  • Docente del departamento de Ing. Aeroespacial IIT Bombay.
  • Desarrollador de Enthought Inc.
  • Creador de Mayavi.

Talleres

Inteligencia Artificial con Python - Juan Pedro Fisanotti

Un resumen de los temas que se abarcarán en este taller:

  • Día Uno:
    1. (T) ¿Por qué Inteligencia Artificial?
      1. Ejemplos de problemas para despertar el interés en el tema.
      2. Elección de un problema particular para aplicar todo lo que se vaya viendo a lo largo del taller.
      3. Introducción al concepto de Inteligencia Artificial, enfoques posibles, rama elegida para el taller.
    2. (T) Agentes racionales, tipos de ambientes, limitaciones.
    3. (T) Noción básica de lo que es un problema de búsqueda. Diferencia entre buscar un estado y buscar un camino de acciones.
    4. (T+P) Formulación de problemas de búsqueda (elementos que debemos entender y definir de nuestro problema).
      1. Representación del estado.
      2. Definición de las acciones posibles desde cada estado.
      3. Función de costo.
      4. Función de comprobación de meta o función de valoración.
      5. Función heurística.
    5. (T) Algoritmos para resolver problemas de búsqueda. Idea general y diferentes tipos.
    6. (T) Presentación de la biblioteca a usar en la práctica: SimpleAI. Ventajas de usar python para este tipo de programación.
    7. (P) Instalación de las herramientas necesarias en las pcs de los asistentes.
  • Día dos:
    1. (T+P) Búsqueda tradicional no informada.
      1. Búsqueda en amplitud.
      2. Búsqueda en profundidad.
      3. Variantes de búsqueda en profundidad: profundidad limitada, profundización iterativa.
    2. (T+P) Búsqueda tradicional informada.
      1. Búsqueda avara.
      2. Búsqueda A* ("A estrella").
  • Día tres:
    1. (T+P) Búsqueda local.
      1. Búsqueda de ascenso de colina.
      2. Variantes de la búsqueda de ascenso de colina: reinicios aleatorios, estocástica.
      3. Búsqueda de haz local.
      4. Variante de la búsqueda de haz local: primero el mejor.
      5. Búsqueda de temple simulado.
      6. Búsqueda genética.
    2. (T+P) Comparación de resultados, conclusiones finales.
    3. (T) ¿Cómo seguir aprendiendo?

Python Científico: Episodio I - Damián Avila

En los últimos años se ha popularizado la utilización de Python en el "ambiente científico". Esta tendencia creciente de debe al solapamiento entre las características diferenciales que provee el lenguaje (y las bibliotecas especializadas) y las necesidades del científico en el modelado de sistemas físicos, químicos y biológicos, entre otros. El objetivo de esta taller es introducir a los participantes, aquellas herramientas que pueden resolver las "tareas científicas" que se le plantean en el trabajo científico diario. En particular, se presentarán las bibliotecas IPython, Numpy, Scipy y Matplotlib, detallando sus principales características, ventajas y desventajas, así como la integración de dichas herramientas para la construcción de un flujo de trabajo que permita desarrollar modelos en múltiples áreas del conocimiento. El taller es de modalidad teórica-práctica, por lo que se trabajará con las bibliotecas científicas anteriormente mencionadas en la resolución de problemas simples a medida que se desarrolla el eje teórico propuesto.

Bloques temáticos y estructura:

  • Día 1:
    1. Python científico.
      1. (T) Flujo de trabajo de científico.
      2. (T) Python vs. Otros. Ventajas y desventajas.
      3. (T) El corazón de Python científico.
      4. (P) Obtención de herramientas.
    2. IPython.
      1. (T) Descripción.
      2. (T) Clientes: consola, consola Qt, notebook.
      3. (T) El notebook de IPython.
      4. (P) Exploración del notebook de IPython.
  • Día 2:
    1. Numpy.
      1. (T) Descripción.
      2. (T) El objeto arreglo.
      3. (T-P) Operaciones por elementos.
      4. (T-P) Manipulación de arreglos.
    2. Matplotlib.
      1. (T) Descripción.
      2. (T-P) Figuras simples.
      3. (T-P) Figuras y sub-figuras.
      4. (T) Otros tipos de figuras.
  • Día 3:
    1. Scipy.
      1. (T) Descripción.
      2. (T-P) Operaciones de álgebra lineal.
      3. (T-P) Integración numérica.
      4. (T-P) Procesamiento de imágenes.
    2. Herramientas avanzadas.
      1. (T) Pandas: manejo y análisis de datos en Python.
      2. (T) Statsmodels: modelos estadísticos en Python.
      3. (T) scikit-learn: machine learning en Python.
    3. Conclusiones.
      1. Presente.
      2. Futuro.
      3. Discusión.

(T) = Teoría/ (P) = Práctica

255 inscripciones.

Sponsors