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. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2018/19

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
COGNITIVE NEUROSCIENCE AND CLINICAL NEUROPSYCHOLOGY
PS1932, ordinamento 2017/18, A.A. 2019/20
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
Sito E-Learning https://elearning.unipd.it/scuolapsicologia/course/view.php?idnumber=2019-PS1932-000ZZ-2018-PSP7078038-N0
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
LEZIONE 2.0 14 36.0

Calendario
Inizio attività didattiche 07/10/2019
Fine attività didattiche 18/01/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2017

Commissioni d'esame
Nessuna commissione d'esame definita

Syllabus
Prerequisiti: Il corso richiede conoscenze di base di Neuropsicologia, Neuroscienze, matematica avanzata (Algebra Lineare, Analisi matematica, Statistica), Intelligenza Artificiale e Machine Learning, programmazione di base, e esperienza con Matlab.
Conoscenze e abilita' da acquisire: Il corso, prelevamene del tipo laboratorio, intende a sviluppare l'abilità pratica di indagare il 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 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 svolto a casa in piccoli gruppi. I report dovrebbero essere consegnati e discussi nei termini della sessione d'esame.
Criteri di valutazione: I criteri di valutazione comprendono adeguata comprensione e capacità di effettuare ed interpertare il metodo di analisi dei processi cognitivi attraverso modelli neurocomputazionali.
Contenuti: 1) Fondamenti della codifica e delle computazioni neurali e del metodo degli analisi dei processi neurali tramite modelli neurocomputazionali.
2-3) Programmazione scientifica in Matlab
4-5) Simulazione di funzioni sensoriali con Deep Belief Networks e apprendimento non-supervisionato. Cenni teorici, implementazione, apprendimento di dati d'esempio, Analisi.
6-7) [opzionale] Simulazione di funzioni esecutivi con apprendimento per rinforzo. Introduzione teorica, Implementazione, apprendimento, analisi.
Attivita' di apprendimento previste e metodologie di insegnamento: Il corso prevede 7 lezioni, 2 ore ciascuna, e compiti per casa. Ogni lezione comprende introduzione teorica, programmazione ed esecuzione delle simulazioni sul computer, discussione dei 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: Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems by Peter Dayan and Larry Abbott (MIT Press).

- corsi matlab online: https://matlabacademy.mathworks.com/ (seguire "Matlab fundamentals" e focalizzare codifica in matrici, strutture, indexing in arrays, oprazioni con matrici, visualizzazione graphica)

- materiale didattico sara proposto sul sito https://github.com/stoianov/CN2019

- articoli d'esempio che usano il metodo di analisi tramite simulazioni neurocomputazionali:
Stoianov, I., & Zorzi, M. (2012). Emergence of a “visual number sense” in hierarchical generative models. Nature Neuroscience, 15(2), 194–196. doi: 10.1038/nn.2996.
Testolin, A., Stoianov, I., De Filippo De Grazia, M., & Zorzi, M. (2013). Deep unsupervised learning on a desktop PC? A primer for cognitive scientists. Frontiers in Psychology, 4, 251.
Zorzi, M., Testolin, A., & Stoianov, I. (2013). Modeling language and cognition with deep unsupervised learning: A tutorial overview. Frontiers in Psychology, 4(August), 515. doi: 10.3389/fpsyg.2013.00515.
Testi di riferimento:

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Laboratory
  • Problem based learning
  • Case study
  • Interactive lecturing
  • Working in group
  • Files e pagine caricati online (pagine web, Moodle, ...)
  • Peer review tra studenti

Didattica innovativa: Software o applicazioni utilizzati
  • Matlab

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