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. 2018/19

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)
Sito E-Learning https://elearning.dei.unipd.it/course/view.php?idnumber=2018-IN2371-004PD-2018-INP7080712-N0
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 ING-INF/03

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