Mentes, Cerebros y Máquinas

Créditos
4
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
CS;UB
Web
http://postgrau.upc.edu/ai/gimaster/courses/minds-brains-and-machines-ub
Mail
ruth.dediego@ub.edu
¿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.

Profesorado

Responsable

Otros

Horas semanales

Teoría
2.5
Problemas
0
Laboratorio
0
Aprendizaje dirigido
0.33333334
Aprendizaje autónomo
5.5

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
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    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

    Básico

    Web links

    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