167 research outputs found
Plan de posicionamiento de Marca Empleadora para la empresa A.J. & J.A. Redolfi S.R.L.
No full textEl reporte de caso fue realizado en la empresa A.J. & J.A. Redolfi, importante
empresa de consumo masivo de la Provincia de Cordoba, con mas de 6000 clientes activos
surgida en 1959, que tiene la necesidad de comenzar a gestionar su marca empleadora ,
motivo por el cual luego de analizar la bibliografía correspondiente se procedió a generar
un plan de implementacion que tuvo como objetivo general Desarrollar el área de recursos
humanos y posicionar a A.J. &. J.A. Redolfi como marca empleadora con la finalidad de
poder obtener un aumento en sus ingresos netos del 10% . Teniendo como resultado un
retorno de inversión de 133%
Laboratory data - physical modelling of gravel bed rivers under unsteady flow conditions
No full textSediment transport and topography data from laboratory experiments under unsteady flow conditions.
Data supporting the manuscript:
Redolfi, M., Bertoldi, W., Tubino, M., & Welber, M. (2018). Bed load variability and morphology of gravel bed rivers
subject to unsteady flow: A laboratory investigation. Water Resources Research, 54, 842–862. https://doi.org/
10.1002/2017WR021143
Details about the physical model and the experimental procedure can be found in the paper.For further information please contact the corresponding author at [email protected]
In-silico model of the natural history of alzheimer's disease based on serial acquisitions of MR, AV45 and FDG pet scans
No full textFDG-PET markers of heterogeneity and different risk of progression in amnestic MCI
No full textIntroduction: Amnestic mild cognitive impairment (aMCI) is emerging as a heterogeneous condition. Methods: We looked at a cohort of N = 207 aMCI subjects, with baseline fluorodeoxyglucose positron emission tomography (FDG-PET), T1 magnetic resonance imaging, cerebrospinal fluid (CSF), apolipoprotein E (APOE), and neuropsychological assessment. An algorithm based on FDG-PET hypometabolism classified each subject into subtypes, then compared biomarker measures and clinical progression. Results: Three subtypes emerged: hippocampal sparing-cortical hypometabolism, associated with younger age and the highest level of Alzheimer's disease (AD)-CSF pathology; hippocampal/cortical hypometabolism, associated with a high percentage of APOE ε3/ε4 or ε4/ε4 carriers; medial-temporal hypometabolism, characterized by older age, the lowest AD-CSF pathology, the most severe hippocampal atrophy, and a benign course. Within the whole cohort, the severity of temporo-parietal hypometabolism, correlated with AD-CSF pathology and marked the rate of progression of cognitive decline. Discussion: FDG-PET can distinguish clinically comparable aMCI at single-subject level with different risk of progression to AD dementia or stability. The obtained results can be useful for the optimization of pharmacological trials and automated-classification models. Highlights: Algorithm based on FDG-PET hypometabolism demonstrates distinct subtypes across aMCI; Three different subtypes show heterogeneous biological profiles and risk of progression; The cortical hypometabolism is associated with AD pathology and cognitive decline; MTL hypometabolism is associated with the lowest conversion rate and CSF-AD pathology
Evaluación y determinación de estructura de financiamiento óptima de la empresa A.J & J.A Redolfi S.R.L para la construcción del nuevo depósito central en James Craik
No full textLa presente investigación trató sobre el análisis de la determinación de
estructura de financiamiento óptima dirigida a la empresa A.J. & J.A. Redolfi S.R.L
con el objetivo de llevar a cabo la construcción del nuevo centro de distribución ubicado
en James Craik. Para lograrlo, como primera medida, se diseña un plan basado en
estructura de financiamiento interno mediante la venta de bienes de uso que dejarían de
ser utilizados y el arrendamiento de lotes disponibles. A continuación, se analizan las
posibilidades de financiamiento externo que complete el monto restante para la
inversión teniendo en cuenta que optimice los recursos. Con el propósito de dar
respuesta al objetivo, como también para determinar la factibilidad económica y
financiera, se desarrolló una proyección de los flujos de fondos para el lapso de años
desde 2021 al 2027. Ante ello, se analiza la factibilidad o no a través de medidas como
VAN, priorizando la importancia de trabajar de manera estratégica en pos del
crecimiento de la empresa.DESTACAD
Propuesta de Plan de comunicación interna y formación de líderes coach. Empresa A. J. & J. A. Redolfi
No full textEl propósito de este trabajo fue determinar de forma fehaciente que la aplicación de
herramientas que mejoraron la comunicación interna y promovieron la formación de líderes
coach dentro de la empresa A. J. & J. A. Redolfi, impactaron de forma directa en la
rentabilidad de la organización como consecuencia de un aumento en la motivación y el
compromiso del personal. Luego de un profundo análisis realizado de los datos concretos de
la compañía y habiendo tenido en cuenta el contexto excepcional en que se encontraba al
momento de realizar el trabajo, se aplicó un plan de comunicación y liderazgo para mandos
medios que incluyó herramientas tecnológicas novedosas y adecuadas a los tiempos actuales.
Los resultados proyectados evidenciaron la importancia de la implementación de dichas
herramientas para el futuro de la institución objeto de análisis. Finalmente, la puesta en
funcionamiento de un adecuado plan de comunicación interna y desarrollo de personal
mediante el uso de tecnologías y programas de capacitación adaptados a las necesidades
específicas de la institución, impactó de manera positiva en la economía de la empresa,
proyectando un incremento en sus ganancias y avizorándole a la organización mayor
adaptación a los cambios en contextos oscilantes e impredecibles
E-infrastructure, segmentation du cortex, environnement de contrôle qualité : un fil rouge pour les neuroscientifiques
No full textNeuroscience entered the “big data” era. Individual desktop computers are no longer suitable to analyse terabyte, and potentially petabytes, of brain images. To fill in the gap between data acquisition and information extraction, e-infrastructures are being developing in North America, Canada, and Europe. E-infrastructures allow neuroscientists to conduct neuroimaging experiments using dedicated computational resources such as grids, high-performance computing (HPC) systems, and public/private clouds. Today, e-infrastructures are the most advanced and the best equipped systems to support the creation of advanced multimodal and multiscale models of the AD brain (chapter 2) or to validate promising imaging biomarkers with sophisticated pipelines, as for cortical thickness, (chapter 3). Indeed, imaging analyses such as those described in chapter 2 and 3 expand the amount of post-processed data per single study. In order to cope with the huge amount of post-processing data generated via e-infrastructures, an automatic quality control environment (QCE) of the cortical delineation algorithms is proposed (chapter 4). QCE is a machine learning (ML) classifier with a supervised learning approach based on Random Forest (RF) and Support Vector Machine (SVM) estimators. Given its scalability and efficacy, QCE fits well in the e-infrastructures under development, where this kind of sanity check service is still lacking. QCE represents a unique opportunity to process data more easily and quickly, allowing neuroscientists to spend their valuable time do data analysis instead of using their resources in manual quality control work.Les neurosciences sont entrées dans l'ère des « big data ». Les ordinateurs de bureau individuels ne sont plus adaptés à l'analyse des téraoctets et potentiellement des pétaoctets qu'impliquent les images cérébrales. Pour combler le gouffre qui existe entre la taille des données et les possibilités standard d'extraction des informations, on développe actuellement des infrastructures virtuelles en Amérique du Nord, au Canada et également en Europe. Ces infrastructures dématérialisées permettent d'effectuer des expériences en imagerie médicale à l'aide de ressources informatiques dédiées telles que des grilles, des systèmes de calcul haute performance (HPC) et des clouds publics ou privés. Les infrastructures virtuelles sont aujourd'hui les systèmes les plus avancés et les mieux équipés pour soutenir la création de modèles multimodaux et multi-échelles avancés du cerveau atteint par la maladie d'Alzheimer (chapitre 2) ou pour valider des biomarqueurs d'imagerie prometteurs, tels que l'épaisseur corticale, grâce à des pipelines sophistiqués (chapitre 3). En effet, les analyses d'imagerie, telles que celles décrites dans les chapitres 2 et 3, multiplient de manière exponentielle la quantité de données post-traitées qui atteignent, à la fin, des téraoctets de résultats pour une seule étude. Afin de faire face à l'énorme quantité de données de post-traitement générées par les infrastructures électroniques, un environnement de contrôle qualité automatique (ECQ) des maillages de la surface corticale (chapitre 4) a été proposé. L'ECQ est un classifieur par apprentissage automatique (AA) avec une approche par apprentissage supervisé basée sur les forêts d'arbres décisionnels (RF) et des estimations par séparateurs à vaste marge (SVM). Compte tenu de son évolutivité et de son efficacité, l'ECQ s'inscrit bien dans les infrastructures électroniques en cours de développement, où ce type de service de vérification élémentaire manque toujours. L'ECQ représente une occasion unique de traiter les données plus facilement et plus rapidement, ce qui permettra aux neuroscientifiques de passer leur temps précieux à effectuer des analyses de données au lieu de le dépenser dans des tâches manuelles et laborieuses de contrôle qualité
E-infrastructure, cortical mesh segmentation, quality control environment : a red thread for neuroscientists
No full textLes neurosciences sont entrées dans l'ère des « big data ». Les ordinateurs de bureau individuels ne sont plus adaptés à l'analyse des téraoctets et potentiellement des pétaoctets qu'impliquent les images cérébrales. Pour combler le gouffre qui existe entre la taille des données et les possibilités standard d'extraction des informations, on développe actuellement des infrastructures virtuelles en Amérique du Nord, au Canada et également en Europe. Ces infrastructures dématérialisées permettent d'effectuer des expériences en imagerie médicale à l'aide de ressources informatiques dédiées telles que des grilles, des systèmes de calcul haute performance (HPC) et des clouds publics ou privés. Les infrastructures virtuelles sont aujourd'hui les systèmes les plus avancés et les mieux équipés pour soutenir la création de modèles multimodaux et multi-échelles avancés du cerveau atteint par la maladie d'Alzheimer (chapitre 2) ou pour valider des biomarqueurs d'imagerie prometteurs, tels que l'épaisseur corticale, grâce à des pipelines sophistiqués (chapitre 3). En effet, les analyses d'imagerie, telles que celles décrites dans les chapitres 2 et 3, multiplient de manière exponentielle la quantité de données post-traitées qui atteignent, à la fin, des téraoctets de résultats pour une seule étude. Afin de faire face à l'énorme quantité de données de post-traitement générées par les infrastructures électroniques, un environnement de contrôle qualité automatique (ECQ) des maillages de la surface corticale (chapitre 4) a été proposé. L'ECQ est un classifieur par apprentissage automatique (AA) avec une approche par apprentissage supervisé basée sur les forêts d'arbres décisionnels (RF) et des estimations par séparateurs à vaste marge (SVM). Compte tenu de son évolutivité et de son efficacité, l'ECQ s'inscrit bien dans les infrastructures électroniques en cours de développement, où ce type de service de vérification élémentaire manque toujours. L'ECQ représente une occasion unique de traiter les données plus facilement et plus rapidement, ce qui permettra aux neuroscientifiques de passer leur temps précieux à effectuer des analyses de données au lieu de le dépenser dans des tâches manuelles et laborieuses de contrôle qualité.Neuroscience entered the “big data” era. Individual desktop computers are no longer suitable to analyse terabyte, and potentially petabytes, of brain images. To fill in the gap between data acquisition and information extraction, e-infrastructures are being developing in North America, Canada, and Europe. E-infrastructures allow neuroscientists to conduct neuroimaging experiments using dedicated computational resources such as grids, high-performance computing (HPC) systems, and public/private clouds. Today, e-infrastructures are the most advanced and the best equipped systems to support the creation of advanced multimodal and multiscale models of the AD brain (chapter 2) or to validate promising imaging biomarkers with sophisticated pipelines, as for cortical thickness, (chapter 3). Indeed, imaging analyses such as those described in chapter 2 and 3 expand the amount of post-processed data per single study. In order to cope with the huge amount of post-processing data generated via e-infrastructures, an automatic quality control environment (QCE) of the cortical delineation algorithms is proposed (chapter 4). QCE is a machine learning (ML) classifier with a supervised learning approach based on Random Forest (RF) and Support Vector Machine (SVM) estimators. Given its scalability and efficacy, QCE fits well in the e-infrastructures under development, where this kind of sanity check service is still lacking. QCE represents a unique opportunity to process data more easily and quickly, allowing neuroscientists to spend their valuable time do data analysis instead of using their resources in manual quality control work
Il progetto INTERCEPTOR: il contributo di biomarcatori nell’identificare precocemente la forma prodromica di demenza
No full text- …
