Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Psicologia
COGNITIVE NEUROSCIENCE AND CLINICAL NEUROPSYCHOLOGY
Insegnamento
COMPUTATIONAL NEUROSCIENCE
PSP7078038, 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
COGNITIVE NEUROSCIENCE AND CLINICAL NEUROPSYCHOLOGY
PS1932, ordinamento 2017/18, A.A. 2018/19
N0
porta questa
pagina con te
Crediti formativi 2.0
Tipo di valutazione Giudizio
Denominazione inglese COMPUTATIONAL NEUROSCIENCE
Dipartimento di riferimento Dipartimento di Psicologia Generale
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo NON è possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta Insegnamento riservato SOLO agli iscritti al corso di COGNITIVE NEUROSCIENCE AND CLINICAL NEUROPSYCHOLOGY

Docenti
Responsabile IVILIN PEEV STOIANOV

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
ALTRO Altre conoscenze utili per l'inserimento nel mondo del lavoro -- 2.0

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
LABORATORIO 2.0 14 36.0

Calendario
Inizio attività didattiche 01/10/2018
Fine attività didattiche 18/01/2019

Commissioni d'esame
Commissione Dal Al Membri
1 2018-1 01/10/2018 30/09/2019 STOIANOV IVILIN PEEV (Presidente)
TESTOLIN ALBERTO (Membro Effettivo)
ZORZI MARCO (Membro Effettivo)

Syllabus
Prerequisiti: Il corso prevede conoscenze di base di Neuropsicologia, Neuroscienze, matematica avanzata (algebra lineare, analisi matematica, statistica), Intelligenza Artificiale / Machine Learning, programmazione di base, e Matlab.
Conoscenze e abilita' da acquisire: Il corso, prelevamene laboratorio, intende a sviluppare l'abilità pratica di indagare i dettagli del funzionamento dei processi cognitivi a livello neurale attraverso modelli matematici ispirati dal sistema nervoso (modelli neurocomputazionali). I studenti conosceranno anche dettagli di alcuni modelli principali, compresi Deep Belief Networks e apprendimento per rinforzo.
Modalita' di esame: La verifica delle abilità acquisite prevede lo sviluppo e la documentazione di un progetto neurocomputazionale che indaga su un processo cognitivo. Il lavoro viene principalmente svolto a casa in piccoli gruppi. I report dovrebbero essere consegnati entro una settimana prima dell'esame e discussi durante l'esso.
Criteri di valutazione: I criteri di valutazione comprendono adeguata comprensione e capacità di effettuare il metodo di analisi dei processi cognitivi attraverso modelli neurocomputazionali.
Contenuti: Contenuto:

1) Fondamenti dei computazioni neurali e del metodo dei modelli neurocomputazionali (livelli di analisi dei processi cognitivi; principi dei computazioni neurali; il metodo dei modelli neurocomputazionali).

2) Caso 1: Simulazione di funzioni sensoriali con Deep Belief Networks e apprendimento non-supervisionato. Parte 1, Cenni teorici, implementazione del modello, e apprendimento di un insieme di dati d'esempio.

3) Simulazione dei funzioni sensoriali, Parte 2, Analisi del modello.

4) Caso 2: Simulazione di funzioni esecutivi con apprendimento per rinforzo. Parte 1, Introduzione teorica, Implementazione, e apprendimento.

5) Modelli di funzioni esecutivi, Parte 2, Analisi.
Attivita' di apprendimento previste e metodologie di insegnamento: Il corso prevede 5 lezioni. Ogni lezione comprende introduzione teorica, programmazione ed esecuzione del simulazione sul computer, e discussione di compiti per casa. I studenti lavorano in piccoli gruppi. I simulazioni vengono realizzati nel ambiente di programmazione scientifica Matlab e richiedono programmazione.
Eventuali indicazioni sui materiali di studio: * Matlab, intro veloce
* Neural computations
* Cognitive modelling (McClelland)
* Stoianov, Zorzi, Nature Neurosc
* Stoianov et al., Goal-directed behavior
Testi di riferimento:

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Case study
  • Interactive lecturing
  • Working in group
  • Questioning
  • Problem solving
  • Work-integrated learning
  • Peer review tra studenti

Didattica innovativa: Software o applicazioni utilizzati
  • Matlab

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Salute e Benessere Istruzione di qualita' Lavoro dignitoso e crescita economica Industria, innovazione e infrastrutture Ridurre le disuguaglianze Citta' e comunita' sostenibili La vita sulla Terra