Mentes, Cerebros y Máquinas

Usted está aquí

Créditos
4
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
CS;UB
Mail
¿Cómo debería modelarse la inteligencia? Parece haber un acuerdo general dentro de las Ciencias Cognitivas (Psicología, Neurociencia, Inteligencia Artificial) en que la inteligencia es principalmente computación. A pesar de este acuerdo, estas disciplinas difieren en el nivel adecuado de explicación en el que se debe caracterizar tal computación. La Neurociencia Computacional, por ejemplo, intenta comprender cómo "computa" el cerebro, pero enfatiza descripciones biológicamente realistas de las
neuronas y de su fisiología. Pero, ¿es este un nivel adecuado de explicación?
Los objetivos del curso son discutir estos temas y presentar brevemente a los estudiantes de IA los campos de la neurociencia computacional, la neurociencia y la psicología para ver cómo estas disciplinas se pueden enriquecer mutuamente.

Profesores

Responsable

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

Horas semanales

Teoría
2
Problemas
0.5
Laboratorio
0
Aprendizaje dirigido
0.5
Aprendizaje autónomo
5.33

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG1 - Capacidad para proyectar, diseñar e implantar productos, procesos, servicios e instalaciones en todos los ámbitos de la Inteligencia Artificial.

Competencias Técnicas de cada especialidad

Académicas

  • CEA3 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Aprendizaje Automático, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA4 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Inteligencia Computacional, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
  • CEA8 - Capacidad de realizar investigación en nuevas técnicas, metodologías, arquitecturas, servicios o sistemas en el área de la Inteligencia Artificial.
  • CEA11 - Capacidad de comprender las técnicas avanzadas de Inteligencia Computacional, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

Profesionales

  • CEP5 - Capacidad de diseñar nuevas herramientas informáticas y nuevas técnicas de Inteligencia Artificial en el ejercicio profesional.

Competencias Transversales

Trabajo en equipo

  • CT3 - Ser capaz de trabajar como miembro de un equipo interdisciplinar ya sea como un miembro mas, o realizando tareas de direccion con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.

Uso solvente de los recursos de información

  • CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Actitud frente al trabajo

  • CT5 - Estar motivado para el desarrollo profesional, para afrontar nuevos retos y para la mejora continua. Tener capacidad de trabajo en situaciones de falta de informacion.

Razonamiento

  • CT6 - Capacidad de evaluar y analizar de manera razonada y critica sobre situaciones, proyectos, propuestas, informes y estudios de caracter cientifico-tecnico. Capacidad de argumentar las razones que explican o justifican tales situaciones, propuestas, etc.

Analisis y sintesis

  • CT7 - Capacidad de analisis y resolucion de problemas tecnicos complejos.

Básicas

  • CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB9 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Objetivos

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

Contenidos

  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

Actividades

Actividad Acto evaluativo


essay on a topic of Computational Neuroscience

essay on a topic of Computational Neuroscience
Objetivos: 1 2 3 4 5 6
Semana: 12
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
0h

Basic concepts of brain function

Basic concepts of brain function
  • Teoría: Basic concepts of brain function
  • Aprendizaje autónomo: Basic concepts of brain function
Objetivos: 1
Contenidos:
Teoría
4h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
12h

Introduction to Neuroimage Techniques in Neuroscience

Introduction to Neuroimage Techniques in Neuroscience
  • Teoría: Introduction to Neuroimage Techniques in Neuroscience
  • Aprendizaje autónomo: Introduction to Neuroimage Techniques in Neuroscience
Objetivos: 2
Contenidos:
Teoría
2h
Problemas
1h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Brain functions in brain networks and their connectivity

Brain functions in brain networks and their connectivity
  • Teoría: Brain functions in brain networks and their connectivity
  • Aprendizaje autónomo: Brain functions in brain networks and their connectivity
Objetivos: 1 3
Contenidos:
Teoría
2h
Problemas
1h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Basics of Computational Intelligence

Basics of Computational Intelligence
  • Aprendizaje autónomo: Basics of Computational Intelligence
Objetivos: 3
Contenidos:
Teoría
6h
Problemas
1h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
14h

Decoding neurocognitive states with neural networks

Decoding neurocognitive states with neural networks
  • Teoría: Decoding neurocognitive states with neural networks
  • Aprendizaje autónomo: Decoding neurocognitive states with neural networks
Objetivos: 3 4
Contenidos:
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
9h

Reward processing and reinforcement learning

Reward processing and reinforcement learning
  • Teoría: Reward processing and reinforcement learning
  • Aprendizaje autónomo: Reward processing and reinforcement learning
Objetivos: 5
Contenidos:
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Computational Intelligence of Vision

Computational Intelligence of Vision
  • Teoría: Computational Intelligence of Vision
  • Aprendizaje dirigido: Computational Intelligence of Vision
  • Aprendizaje autónomo: Computational Intelligence of Vision
Objetivos: 6
Contenidos:
Teoría
6h
Problemas
1h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
11h

Metodología docente

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

Método de evaluación

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

Bibliografía

Básica:

  • The computational brain - Churchland, P.S. ; Sejnowski, T.J., MIT, 1992.
  • Theoretical Neuroscience - Dayan, P.; Abbott. L.F., MIT, 2001.
  • Handbook of Functional Neuroimaging of Cognition - Cabeza, Roberto ;Kingstone, Alan , Cognitive Neuroscience, 2006.
  • Computational Maps in the Visual Cortex - Miikkulainen, R., Springer, 2005.

Capacidades previas

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