Ments, Cervells i Màquines

Crèdits
4
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits , però té capacitats prèvies
Departament
CS;UB
Web
http://postgrau.upc.edu/ai/gimaster/courses/minds-brains-and-machines-ub
Mail
ruth.dediego@ub.edu
Com s'hauria de modelar la intel·ligència? Sembla haver-hi un acord general dins de les Ciències Cognitives (Psicologia, Neurociència, Intel·ligència Artificial) en què la intel·ligència és principalment computació. Malgrat aquest acord, aquestes disciplines difereixen en el nivell adequat d'explicació en què s'ha de caracteritzar tal computació. La Neurociència Computacional, per exemple, intenta comprendre com "computa" el cervell, però emfatitza descripcions biològicament realistes de les neurones i de la seva fisiologia. Però, és aquest un nivell adequat d'explicació? Els objectius del curs són discutir aquests temes i presentar breument als estudiants d'IA els camps de la neurociència computacional, la neurociència i la psicologia per veure com aquestes disciplines es poden enriquir mútuament.

Professorat

Responsable

Altres

Hores setmanals

Teoria
2.5
Problemes
0
Laboratori
0
Aprenentatge dirigit
0.33333334
Aprenentatge autònom
5.5

Competències

Competències Tècniques Generals

Genèriques

  • CG1 - Capacitat per a projectar, dissenyar i implantar productes, processos, serveis i instal·lacions en tots els àmbits de la Intel·ligència Artificial.

    • Competències Tècniques de cada especialitat

    Acadèmiques

  • CEA3 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Aprenentatge Automàtic, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA4 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Intel·ligència Computacional, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
  • CEA8 - Capacitat de realitzar investigació en noves tècniques, metodologies, arquitectures, serveis o sistemes en l'àrea de la Intel·ligència Artificial.
  • CEA11 - Capacitat de comprendre les tècniques avançades d'Intel·ligència Computacional, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

    • Professionals

  • CEP5 - Capacitat de dissenyar noves eines informàtiques i noves tècniques d'Intel·ligència Artificial en l'exercici professional.

    • Competències Transversals

    Treball en equip

  • CT3 - Ser capaç de treballar com a membre d'un equip interdisciplinari, ja sigui com un membre més o duent a terme tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes amb pragmatisme i sentit de la responsabilitat, tot assumint compromisos considerant els recursos disponibles.

    • Ús solvent dels recursos d'informació

  • CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.

    • Actitud adequada davant el treball

  • CT5 - Estar motivat pel desenvolupament professional, per a afrontar nous reptes i per a la millora contínua. Tenir capacitat de treball en situacions de falta d'informació.

    • Raonament

  • CT6 - Capacitat d'avaluar i analitzar de manera raonada i crítica sobre situacions, projectes, propostes, informes i estudis de caracter cientific-tecnic. Capacitat d'argumentar les raons que expliquen o justifiquen aquestes situacions, propostes, etc.

    • Analisis i sintesis

  • CT7 - Capacitat d'anàlisi i resolució de problemes tècnics complexos.

    • Bàsiques

  • CB6 - Que els estudiants sàpiguen aplicar els coneixements adquirits y la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contexts més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.
  • CB8 - Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons darreres que les sustenten- a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
  • CB9 - Que els estudiants posseeixin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma.

    • Objectius

    1. Understanding some Neuroscience basics
      Competències relacionades: CT4, CB6, CB8, CB9,
    2. Understanding some Neuroimaging basics as a basis for Neuroscience
      Competències relacionades: CT4, CT6, CT7, CB6, CB8, CB9,
    3. Understanding some basics of Computational Neuroscience
      Competències relacionades: CT4, CT5, CT6, CT7, CB6, CB8, CB9,
    4. Application of Machine Learning and Computational Intelligence to Computational Neuroscience
      Competències relacionades: CEA3, CEA4, CEP5, CT3, CT4, CT5, CT6, CT7, CB6, CB8, CB9,
    5. Reward processing as a Computational Neuroscience problem
      Competències relacionades: CT4, CT6, CT7, CB6, CB8, CB9,
    6. Computational Neuroscience of vision
      Competències relacionades: CEA8, CEA11, CG1, CT3, CT4, CB6, CB8, CB9,

    Continguts

    1. Basic concepts of brain function
      Basic concepts of brain function
    2. Introduction to Neuroimage Techniques in Neuroscience
      Introduction to Neuroimage Techniques in Neuroscience
    3. Brain functions in brain networks and their connectivity
      Brain functions in brain networks and their connectivity
    4. Basics of Computational Intelligence
      Basics of Computational Intelligence
    5. Decoding neurocognitive states with neural networks
      Decoding neurocognitive states with neural networks
    6. Reward processing and reinforcement learning
      Reward processing and reinforcement learning
    7. Computational Intelligence of Vision
      Computational Intelligence of Vision

    Activitats

    Activitat Acte avaluatiu


    essay on a topic of Computational Neuroscience

    essay on a topic of Computational Neuroscience
    Objectius: 1 2 3 4 5 6
    Setmana: 12
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Basic concepts of brain function

    Basic concepts of brain function
    • Teoria: Basic concepts of brain function
    • Aprenentatge autònom: Basic concepts of brain function
    Objectius: 1
    Continguts:
    Teoria
    4h
    Problemes
    2h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    12h

    Introduction to Neuroimage Techniques in Neuroscience

    Introduction to Neuroimage Techniques in Neuroscience
    • Teoria: Introduction to Neuroimage Techniques in Neuroscience
    • Aprenentatge autònom: Introduction to Neuroimage Techniques in Neuroscience
    Objectius: 2
    Continguts:
    Teoria
    2h
    Problemes
    1h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    6h

    Brain functions in brain networks and their connectivity

    Brain functions in brain networks and their connectivity
    • Teoria: Brain functions in brain networks and their connectivity
    • Aprenentatge autònom: Brain functions in brain networks and their connectivity
    Objectius: 1 3
    Continguts:
    Teoria
    2h
    Problemes
    1h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    6h

    Basics of Computational Intelligence

    Basics of Computational Intelligence
    • Aprenentatge autònom: Basics of Computational Intelligence
    Objectius: 3
    Continguts:
    Teoria
    6h
    Problemes
    1h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    14h

    Decoding neurocognitive states with neural networks

    Decoding neurocognitive states with neural networks
    • Teoria: Decoding neurocognitive states with neural networks
    • Aprenentatge autònom: Decoding neurocognitive states with neural networks
    Objectius: 3 4
    Continguts:
    Teoria
    2h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    9h

    Reward processing and reinforcement learning

    Reward processing and reinforcement learning
    • Teoria: Reward processing and reinforcement learning
    • Aprenentatge autònom: Reward processing and reinforcement learning
    Objectius: 5
    Continguts:
    Teoria
    2h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    6h

    Computational Intelligence of Vision

    Computational Intelligence of Vision
    • Teoria: Computational Intelligence of Vision
    • Aprenentatge dirigit: Computational Intelligence of Vision
    • Aprenentatge autònom: Computational Intelligence of Vision
    Objectius: 6
    Continguts:
    Teoria
    6h
    Problemes
    1h
    Laboratori
    0h
    Aprenentatge dirigit
    3h
    Aprenentatge autònom
    11h

    Metodologia docent

    This course will build on different teaching methodology (TM) aspects, including:
    TM1: Expositive seminars
    TM2: Expositive-participative seminars
    TM3: Orientation for individual assignments (essays)
    TM4: Individual tutorization

    Mètode d'avaluació

    The course will be evaluated through a final essay that will take one of these three modalities:
    1. State of the art on an specific IDA-DM topic
    2. Evaluation of an IDA-DM software tool with original experiments
    3. Pure research essay, with original experimental content

    Bibliografia

    Bàsic

    Web links

    Capacitats prèvies

    Students are expected to have at least some basic background in the area of artificial intelligence and, more specifically, with the areas of Machine Leaning and Computational Intelligence.
    Some basic knowledge of probability theory and statistics, as well as neuroscience would be beneficial, but not essential.
    Other than this, the course is open to students and researchers of all types of background