| |
| |
 |
Περιγραφή μαθήματος
| Κωδικός: |
ΕΠ6 |
| Τίτλος Μαθήματος: |
Μέθοδοι και Εφαρμογές Πληροφορικής στις Νευροεπιστήμες |
| Εξάμηνο: |
3ο |
| Κατηγορία: |
ΕΠΙΛΟΓΗΣ |
| Ώρες διδασκαλίας: |
3 |
| Διδάσκων: |
Κουτσουρίδης (Boston University, USA) |
| Σελίδα μαθήματος: |
http://eclass.uoa.gr/courses/D458/ |
| Περιγραφή - Ύλη Μαθήματος: |
| Εισαγωγή στις υπολογιστικές μεθόδους των νευροεπιστημών για μεταπτυχιακούς φοιτητές που ενδιαφέρονται να μάθουν περισσότερα για το πως τα δίκτυα νευρώνων στον εγκέφαλο ολοκληρώνουν και διαβιβάζουν τα εγκεφαλικά σήματα και πως η αντίληψη, η νόηση και η μνήμη προκύπτουν από τις ολοκληρωμένες ενέργειες αυτών. Το μάθημα θα καλύψει τις βασικές έννοιες των ηλεκτρικών και βιοχημικών ιδιοτήτων νευρώνων, της ανατομίας και φυσιολογίας εγκεφαλικών συστημάτων και πως η συμπεριφορά προκύπτει από τις ενέργειές τους. Ιδιαίτερη έμφαση θα δοθεί στις σύγχρονες μαθηματικές περιγραφές και υπολογιστικές τεχνικές που χρησιμοποιούνται στον τομέα των υπολογιστικών νευροεπιστημών (computational neurosciences) όπως για παράδειγμα νευρωνικά πρότυπα Hodgkin-Huxley, θεωρία Cable, δίκτυα νευρώνων IF (integrate fire) και FR (firing rate), multicompartmental modeling, διάφοροι τύποι νευρωνικών δικτύων (feedforward, associative, stochastic), στοιχεία θεωρίας της πληροφορίας (εντροπία, αμοιβαία πληροφορία, κ.α.), spike-train statistics, μέθοδοι αντιστρόφου συσχετισμού (reverse-correlation methods), κώδικες πληθυσμιακών διανυσμάτων (population vector coding), τοπογραφικοί χάρτες, τεχνικές μάθησης νευρωνικών δικτύων όπως μάθηση τύπου Hebbian, LTP/LTD, STDP, εποπτευόμενη μάθηση (supervised learning), ανεπίβλεπτη μάθηση (unsupervised learning) και reinforcement μάθηση. Υπολογιστικά εργαλεία που θα χρησιμοποιηθούν είναι το MATLAB, NEURON, XPP.
[Επιστροφή]
|
|
 |
 |
 |
|
|
|
