BEGIN:VCALENDAR VERSION:2.0 PRODID:-//IACS - ECPv6.15.11//NONSGML v1.0//EN CALSCALE:GREGORIAN METHOD:PUBLISH X-ORIGINAL-URL:https://www.iacs.es X-WR-CALDESC:Eventos para IACS REFRESH-INTERVAL;VALUE=DURATION:PT1H X-Robots-Tag:noindex X-PUBLISHED-TTL:PT1H BEGIN:VTIMEZONE TZID:Europe/Madrid BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20220327T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20221030T010000 END:STANDARD BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20230326T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20231029T010000 END:STANDARD BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20240331T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20241027T010000 END:STANDARD END:VTIMEZONE BEGIN:VEVENT DTSTART;VALUE=DATE:20230911 DTEND;VALUE=DATE:20231016 DTSTAMP:20260411T005310 CREATED:20230630T085209Z LAST-MODIFIED:20230904T063543Z UID:10001786-1694390400-1697414399@www.iacs.es SUMMARY:AMF028/23 Introducción al Aprendizaje Automático en ciencias de la salud (R): Modelos supervisados (Edición 2023) DESCRIPTION:La principal diferencia entre el aprendizaje automático y el análisis estadístico tradicional es su propósito. Los modelos de aprendizaje automático están diseñados para hacer las predicciones más precisas posibles\, mientras que los modelos estadísticos están diseñados para inferir sobre las relaciones entre variables. \nConocer la metodología empleada en el aprendizaje automático\, así como disponer de un software que permita usar esta metodología con datos biomédicos\, puede ser de gran utilidad a los profesionales de la salud para crear modelos predictivos que ayuden a la toma de decisiones diarias. De la misma forma\, la adquisición de estos nuevos conocimientos puede ayudar a comprender qué métodos y técnicas usar en cada investigación\, dependiendo de la naturaleza. \nDisponer de programas que calculen de forma rápida estos modelos predictivos y que sean fáciles de usar por profesionales que no sean expertos en estadística ni informática\, ayudará a que los modelos creados por grupos de investigación biomédica sean usados por la comunidad científica. \nEn este curso se estudiarán los principales métodos supervisados que son un conjunto de técnicas utilizadas en el ámbito del aprendizaje automático que se basan en el uso de datos etiquetados para entrenar modelos y realizar predicciones o clasificaciones en nuevos datos. Estos métodos son ampliamente aplicados en diversas áreas de las ciencias de la salud\, con el objetivo de mejorar el diagnóstico\, el pronóstico y la toma de decisiones clínicas. \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n PREINSCRÍBETE\n \n \n \n \n \n \n \n GUÍA DIDÁCTICA URL:https://www.iacs.es/evento/amf028-23-introduccion-al-aprendizaje-automatico-en-ciencias-de-la-salud-r-modelos-supervisados-edicion-2023/ LOCATION:on-line\, España CATEGORIES:Formación,Formación en Investigación GEO:40.463667;-3.74922 END:VEVENT BEGIN:VEVENT DTSTART;VALUE=DATE:20230911 DTEND;VALUE=DATE:20231023 DTSTAMP:20260411T005311 CREATED:20230630T083840Z LAST-MODIFIED:20230904T063531Z UID:10001785-1694390400-1698019199@www.iacs.es SUMMARY:AMF025/23 Inferencia estadística aplicada a estudios biomédicos (1ª Ed. 2023) DESCRIPTION:La inferencia estadística es un campo fundamental en la investigación científica. La recopilación de datos y la descripción de los mismos son sólo los primeros pasos para la comprensión de un fenómeno\, pero la inferencia estadística permite sacar conclusiones más allá de los datos observados. Nos permite tomar decisiones sobre una población completa\, en función de lo que sabemos sobre una muestra representativa de datos. Por ejemplo\, la inferencia estadística se utiliza para determinar si un tratamiento médico es eficaz o no; o para determinar la asociación entre la exposición a un factor de riesgo y la aparición de una enfermedad. \nUna sólida comprensión de la estadística inferencial es de gran importancia para diseñar e analizar estudios empíricos\, para cuantificar la incertidumbre y proporcionar soluciones adecuadas a cuestiones sustantivas. Sin embargo\, los investigadores suelen ser propensos a cometer muchos errores conceptuales con respecto a este tema. Una comprensión inadecuada de la inferencia estadística puede llevar a conclusiones erróneas y a resultados no reproducibles\, lo que afecta negativamente la credibilidad de la investigación científica. En este curso discutiremos la inferencia estadística en el contexto actual de la “crisis de la replicación”\, y en relación con los desafíos que plantea el auge de Big Data\, el aprendizaje automático y los efectos de selección de sesgo (e.g. selección de cerezas\, pruebas múltiples\, dragado de datos y P-hacking). Esto es crucial para enfrentar los problemas de inducción\, falsificación y demarcación de la ciencia de la pseudociencia\, y sirve como eje para comprender y superar las guerras estadísticas. \nEste curso te guía a través de los métodos\, técnicas y cálculos estadísticos necesarios para tener éxito en el campo de la biomedicina. Cada nuevo concepto se desarrolla sistemáticamente a través de ejemplos completamente elaborados de problemas de investigación médica actuales. \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n PREINSCRÍBETE\n \n \n \n \n \n \n \n GUÍA DIDÁCTICA URL:https://www.iacs.es/evento/inferencia-estadistica-datos_biomedicos-2/ LOCATION:on-line\, España CATEGORIES:Formación,Formación en Investigación GEO:40.463667;-3.74922 END:VEVENT END:VCALENDAR