Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
ICT FOR INTERNET AND MULTIMEDIA - INGEGNERIA PER LE COMUNICAZIONI MULTIMEDIALI E INTERNET
Insegnamento
COMPUTATIONAL NEUROSCIENCE - NEUROSCIENZE COMPUTAZIONALI
INP7080712, A.A. 2018/19

Informazioni valide per gli studenti immatricolati nell'A.A. 2017/18

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
ICT FOR INTERNET AND MULTIMEDIA - INGEGNERIA PER LE COMUNICAZIONI MULTIMEDIALI E INTERNET
IN2371, ordinamento 2017/18, A.A. 2018/19
N0
porta questa
pagina con te
Curriculum ICT FOR LIFE AND HEALTH [004PD]
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese COMPUTATIONAL NEUROSCIENCE
Dipartimento di riferimento Dipartimento di Ingegneria dell'Informazione (DEI)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile ALBERTO TESTOLIN ING-INF/03
Altri docenti MATTEO GADALETA 000000000000

Mutuante
Codice Insegnamento Responsabile Corso di studio
INP7080712 COMPUTATIONAL NEUROSCIENCE - NEUROSCIENZE COMPUTAZIONALI ALBERTO TESTOLIN IN2371

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
AFFINE/INTEGRATIVA Attività formative affini o integrative ING-INF/05 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Primo semestre
Anno di corso II Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 01/10/2018
Fine attività didattiche 18/01/2019
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2019

Commissioni d'esame
Commissione Dal Al Membri
1 A.A. 2018/2019 01/10/2018 15/03/2020 TESTOLIN ALBERTO (Presidente)
GADALETA MATTEO (Membro Effettivo)
BADIA LEONARDO (Supplente)
ERSEGHE TOMASO (Supplente)
ZANELLA ANDREA (Supplente)
ZORZI MICHELE (Supplente)

Syllabus
Prerequisiti: Il corso richiede conoscenze di base di analisi matematica, algebra lineare e teoria della probabilità. Sono di aiuto anche nozioni di base di biologia e neuroscienze. E’ richiesta una buona capacità di programmazione al computer.
Conoscenze e abilita' da acquisire: Il corso tratta gli aspetti teorici e pratici della modellazione computazionale delle funzioni cerebrali, in particolare focalizzandosi sui modelli di reti neurali artificiali. La discussione teorica dei vari tipi di reti neurali e relativi algoritmi di apprendimento sarà seguita da esempi di applicazioni nelle neuroscienze cognitive e da esercitazioni pratiche al computer.
Modalita' di esame: La valutazione delle conoscenze ed abilità acquisite consisterà nello svolgimento di un progetto individuale, che verrà discusso durante l’esame orale. Il progetto verterà sull’implementazione software di uno o più modelli computazionali discussi durante il corso e dovrà essere descritto e commentato in un breve report.
Criteri di valutazione: Conoscenza degli argomenti trattati a lezione ed acquisizione dei concetti e delle metodologie presentati nelle esercitazioni pratiche.
Contenuti: Il corso trattera' i seguenti argomenti:
1. Introduzione: modellazione computazionale e matematica dei sistemi neurali; livelli di analisi nelle neuroscienze sistemiche.
2. Principi di codifica neurale: registrazione di risposte neuronali, spike trains, firing rates, local field potentials; curve di risposta e campi recettivi; principi di codifica efficiente e compressione dell’informazione.
3. Modellazione del singolo neurone: modelli integrate-and-fire, modello di Hodgkin-Huxley; modelli multi-compartimentali.
4. Modellazione di reti di neuroni: architetture (feed-forward / ricorrenti); dinamiche (lineari / non-lineari, deterministiche / stocastiche), rappresentazioni interne (localistiche / distribuite / codifica sparsa).
5. Apprendimento, memoria e plasticità: regole di plasticità sinaptica (regola di Hebb, LTP, LTD, STDP); concetti di base di apprendimento automatico.
6. Apprendimento supervisionato: percettrone; regola delta; reti multistrato e algoritmo di error backpropagation.
7. Reti parzialmente ricorrenti: backpropagation through time, predictive coding.
8. Apprendimento non supervisionato: clustering e riduzione della dimensionalità; reti competitive e self-organizing maps; memorie associative e reti di Hopfield; macchine di Boltzmann.
9. Deep learning: modelli gerarchici; processamento top-down; reti convolutive.
10. Apprendimento con rinforzo: exploration-exploitation; Temporal-Difference (TD) learning, condizionamento e circuiti dopaminergici.
11. Casi di studio dalla modellazione neurocognitiva.
12. Organizzazione su larga scala del cervello: proprietà strutturali e funzionali, oscillazioni ed attività nervosa spontanea; architetture cognitive.
Attivita' di apprendimento previste e metodologie di insegnamento: L’insegnamento è basato su didattica frontale per la parte teorica, e su esercitazioni al calcolatore per la parte pratica. Verranno impiegate tecniche di didattica interattiva (es: discussioni di gruppo su questioni aperte) per promuovere l’apprendimento interattivo e la capacità di riflettere sui concetti esposti.
Eventuali indicazioni sui materiali di studio: Tutti gli argomenti verranno trattati durante le lezioni e le slides verranno rese disponibili sul sito del corso. Gli appunti degli studenti dovranno essere integrati con le nozioni contenute nei libri di riferimento e con materiale aggiuntivo (principalmente articoli scientifici) reso disponibile sul sito del corso.
Testi di riferimento:
  • Dayan, P., and L. F. Abbott, Theoretical neuroscience. --: MIT Press, 2001. Cerca nel catalogo
  • O'Reilly, R. C., and Y. Munakata MIT press,, Computational explorations in cognitive neuroscience. --: MIT Press, 2000. Cerca nel catalogo
  • Hertz, J., Krogh, A., and Palmer, R. G., Introduction To The Theory Of Neural Computation. --: Westview Press, 1991. Cerca nel catalogo

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Working in group
  • Problem solving

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • Matlab
  • Esempi pratici di programmazione

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Istruzione di qualita' Industria, innovazione e infrastrutture