Ments, Cervells i Màquines

Esteu aquí

Crèdits
4
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
CS;UB
Mail
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.

Professors

Responsable

  • Alfredo Vellido Alcacena ( )
  • Ruth De Diego ( )

Hores setmanals

Teoria
2
Problemes
0.5
Laboratori
0
Aprenentatge dirigit
0.5
Aprenentatge autònom
5.33

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
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
3h
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

Bàsica:

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