<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:atom="http://www.w3.org/2005/Atom" version="2.0">
  <channel>
    <title>Eventos Grupo MiDa</title>
    <language>es</language>
    <description>Eventos del Grupo de Investigaci&#243;n MiDa</description>
    <link>http://olmo.usal.es/xml/rss_eventos?locale=es</link>
    <atom:link type="application/rss+xml" href="http://olmo.usal.es/xml/rss_eventos?locale=es" rel="self"/>
    <ttl>40</ttl>
    <pubDate>Fri, 21 Aug 2026 00:26:51 +0200</pubDate>
    <item>
      <title>Redes Neuronales de Grafos.  Fundamentos y Aplicaciones (Edici&#243;n 2)</title>
      <description>Las t&#233;cnicas de deep learning han revolucionado la capacidad de las m&#225;quinas para aprender y realizar tareas complejas de forma aut&#243;noma. Dentro del universo del deep learning, las redes neuronales gr&#225;ficas (GNN-Graph Neural Networks) han surgido como una herramienta poderosa. Estas redes est&#225;n dise&#241;adas para modelar relaciones complejas entre datos estructurados, como grafos y redes. Su capacidad para capturar la estructura y la interconexi&#243;n de los datos las hace especialmente efectivas en aplicaciones que involucran elementos interrelacionados.

El extenso &#225;mbito de aplicaci&#243;n de las t&#233;cnicas de deep learning y en particular las de GNN est&#225; contribuyendo a lograr avances significativos en diversas disciplinas cient&#237;ficas y t&#233;cnicas. Por este motivo, los estudiantes de diferentes grados universitarios, as&#237; como estudiantes de m&#225;ster y doctorado, necesitan cada vez m&#225;s conocer estos algoritmos para aplicarlos en sus trabajos acad&#233;micos (TFG, TFM...) y de investigaci&#243;n.</description>
      <link>http://olmo.usal.es/evento/show/53?locale=es</link>
      <guid>http://olmo.usal.es/evento/show/53?locale=es</guid>
    </item>
    <item>
      <title>Deep Learning con PyTorch.  Arquitecturas y Aplicaciones</title>
      <description>Las t&#233;cnicas de deep learning han revolucionado la capacidad de las m&#225;quinas para aprender y realizar tareas complejas de forma aut&#243;noma. El extenso &#225;mbito de aplicaci&#243;n de las t&#233;cnicas de deep learning est&#225; contribuyendo a lograr avances significativos en diversas disciplinas cient&#237;ficas y t&#233;cnicas. Por este motivo, los estudiantes de diferentes grados universitarios, as&#237; como estudiantes de m&#225;ster y doctorado, necesitan cada vez m&#225;s conocer estos algoritmos para aplicarlos en sus trabajos acad&#233;micos (TFG, TFM...) y de investigaci&#243;n.

Contenidos:

TEMA 0. Introducci&#243;n a las Redes Neuronales
TEMA 1. Fundamentos del Deep Learning
TEMA 2. Programaci&#243;n con PyTorch y Gesti&#243;n de GPU
TEMA 3. Redes Convolucionales (CNNs)
TEMA 4. Redes Recurrentes
TEMA 5. Aplicaciones
</description>
      <link>http://olmo.usal.es/evento/show/54?locale=es</link>
      <guid>http://olmo.usal.es/evento/show/54?locale=es</guid>
    </item>
    <item>
      <title>Redes Neuronales de Grafos.  Fundamentos y Aplicaciones (Edici&#243;n 1)</title>
      <description>Las t&#233;cnicas de deep learning han revolucionado la capacidad de las m&#225;quinas para aprender y realizar tareas complejas de forma aut&#243;noma. Dentro del universo del deep learning, las redes neuronales gr&#225;ficas (GNN-Graph Neural Networks) han surgido como una herramienta poderosa. Estas redes est&#225;n dise&#241;adas para modelar relaciones complejas entre datos estructurados, como grafos y redes. Su capacidad para capturar la estructura y la interconexi&#243;n de los datos las hace especialmente efectivas en aplicaciones que involucran elementos interrelacionados.

El extenso &#225;mbito de aplicaci&#243;n de las t&#233;cnicas de deep learning y en particular las de GNN est&#225; contribuyendo a lograr avances significativos en diversas disciplinas cient&#237;ficas y t&#233;cnicas. Por este motivo, los estudiantes de diferentes grados universitarios, as&#237; como estudiantes de m&#225;ster y doctorado, necesitan cada vez m&#225;s conocer estos algoritmos para aplicarlos en sus trabajos acad&#233;micos (TFG, TFM...) y de investigaci&#243;n.</description>
      <link>http://olmo.usal.es/evento/show/52?locale=es</link>
      <guid>http://olmo.usal.es/evento/show/52?locale=es</guid>
    </item>
  </channel>
</rss>
