View syllabus
COMPUTATIONAL NEUROSCIENCE
CLAUDIO GALLICCHIO
Academic year2022/23
CourseCOMPUTER SCIENCE
Code674AA
Credits6
PeriodSemester 2
LanguageEnglish

ModulesAreaTypeHoursTeacher(s)
COMPUTATIONAL NEUROSCIENCEINF/01LEZIONI60
CLAUDIO GALLICCHIO unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Gli obiettivi del corso "Computational neuroscience" comprendono la modellizzazione neurale bio-inspirata, le reti neurali di tipo spiking e reservoir computing, modelli computazionali avanzati  di neuroni per l'apprendimento,  architetture e metodi di apprendimento per reti neurali dinamiche / ricorrenti per i dati temporali e l'analisi delle loro proprietà. Ruolo delle neuroscienze computazionali nelle applicazioni del mondo reale (per casi di studio).

Knowledge

The objectives of "Computational neuroscience" class include bio-inspired neural modelling, spiking and reservoir computing neural networks, advanced computational neural models for learning, architectures and learning methods for dynamical/recurrent neural networks for temporal data and the analysis of their properties, the role of computational neuroscience in real-world applications (by case studies).

 

Modalità di verifica delle conoscenze

La conoscenza viene verificata attraverso test scritti (materiale di laboratorio e report) e un esame orale.

Assessment criteria of knowledge

Knowledge is verified through written tests (lab material and reports) and an oral exam.

 

Capacità
  • Capacità di analisi e sviluppo di modelli avanzati di apprendimento automatico, considerando sia la modellazione neurale bio-ispirata che il punto di vista computazionale.
  • Ottenere conoscenze pratiche su semplici modelli CNS tramite esperienze di laboratorio.

 

Skills
  • Capability of analysis and development of advanced machine learning models, considering both the bio-inspired neural modelling and the computational point of view.
  • Gain practical knowledge on simple CNS models by lab experience.

 

Modalità di verifica delle capacità

La conoscenza è verificata attraverso test scritti e un esame orale. La parte scritta include il materiale del laboratorio (codice sviluppato durante il corso) e una relazione su un argomento teorico avanzato o con scopo applicativo (progetto).

 

Assessment criteria of skills

Knowledge is verified through written tests and an oral exam. Written part include lab material (code developed during the course) and a report on advanced theoretical topic or with applicative aim (project).

 

Comportamenti

Consapevolezza della potenzialità correnti e delle limitazioni dei sistemi CNS e dei sistemi avanzati per l'apprendimento automatico.

 

Behaviors

Awareness of current potentiality and  limitations of CNS/advanced machine learning based systems.

 

Modalità di verifica dei comportamenti

La conoscenza viene verificata attraverso test scritti (materiale di laboratorio e report) e un esame orale.

 

Assessment criteria of behaviors

Knowledge is verified through written tests  (lab material and reports) and an oral exam.

 

Prerequisiti (conoscenze iniziali)
  • Analisi matematica (funzioni, calcolo differenziale), calcolo multivariato, equazioni differenziali
  • Algebra lineare, notazione matrice e calcolo
  • Elementi di probabilità e statistica (elaborazione avanzata del segnale seguita in corso parallelo)
  • Conoscenza di base degli algoritmi.
  • Programmazione: MATLAB per il laboratorio.

 

Prerequisites
  • Mathematical analysis (functions, differential calculus), multivariate calculus, differential equations
  • Linear algebra, matrix notation and calculus
  • Elements of probability and statistics (advanced signal processing in parallel)
  • Basic knowledge of algorithms.
  • Programming: MATLAB for the lab.

 

Indicazioni metodologiche

Il corso comprende lezioni di teoria e corsi di esercitazione mediante l'esperienza diretta dei laboratori, che mirano a esemplificare, implementare (codice MATLAB) e applicare i concetti sviluppati durante le lezioni.
Le lezioni sono in aula, tipicamente con l'aiuto di diapositive (proiezione). Usiamo una piattaforma di e-learning per fornire materiale didattico (diapositive, assegnazioni, software, ecc.).
Partecipazione: fortemente consigliata. Metodi didattici: lezioni, laboratori e lavori di progetto.

 

Teaching methods

The course includes theory lessons and exercise classes by direct lab experience, which aim to exemplify, implement (MATLAB code) and apply the concepts developed during the lessons.
The lessons are face-to-face, typically with the help of slides (projection). We use  e-learning platform to deliver learning material (slides, assignments,  software etc.).
Attendance: strongly advised.
Teaching methods: Lectures, labs and project work

Programma (contenuti dell'insegnamento)

Il corso è una introduzione ai principi fondamentali delle Neuroscienze Computazionali, considerando sia la modellazione neurale bio-ispirata che il punto di vista computazionale.

Il contenuto di quest'anno include i seguenti argomenti:

  •      Modelli computazionali del neurone biologico (modellistica delle neuroscienze)
  •      Modelli di plasticità sinaptica e apprendimento (apprendimento delle rappresentazioni)
  •      Reti neurali ricorrenti (modelli dinamici per i dati temporali)
  •      Applicazioni (casi di studio)

 

Syllabus

The course is an introduction to fundamentals of Computational Neuroscience, considering both the bio-inspired neural modelling and the computational point of view.

The content of this year includes the following topics:

  • Computational models of the biological neuron (neuroscience modeling)
  • Models of synaptic plasticity and learning (representation learning)
  • Recurrent neural networks (dynamical models for temporal data)
  • Applications (case-studies)

 

Bibliografia e materiale didattico

Note del corso (fornite dai docenti). Ulteriori riferimenti includono:

  • W. Gerstner and W.M. Kistler, Spiking Neuron Models: Single Neurons, Population, Plasticity. Cambridge Univ. Press, 2002
  • P. Dayan and L.F. Abbott, Theoretical Neuroscience. The MIT press, 2001.
  • E.M. Izhikevich, Dynamical systems in neuroscience. The MIT press, 2007.
  • S. Haykin, Neural Networks and Learning Machines (3rd Edition), Prentice Hall, 2009.
  • I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, MIT Press, 2016

 

 

Bibliography

Course notes (provided by the instructors).

Further references include:

  • W. Gerstner and W.M. Kistler, Spiking Neuron Models: Single Neurons, Population, Plasticity. Cambridge Univ. Press, 2002
  • P. Dayan and L.F. Abbott, Theoretical Neuroscience. The MIT press, 2001.
  • E.M. Izhikevich, Dynamical systems in neuroscience. The MIT press, 2007.
  • S. Haykin, Neural Networks and Learning Machines (3rd Edition), Prentice Hall, 2009.
  • I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, MIT Press, 2016

 

Modalità d'esame

La prova scritta è tipicamente basata sul materiale delle esperienze dei laboratori (codice sviluppato durante il corso) e su un report di un argomento teorico avanzato (in forma scritta / diapositiva) o con un obiettivo applicativo (progetto con codice e risultati). Il materiale viene consegnato in anticipo dallo studente.
Il test orale consiste in un'intervista tra il candidato e il docente su tutte le parti del programma e, se utile, nella discussione sul test scritto. Durante l'esame orale l'allievo deve essere in grado di dimostrare la propria conoscenza del materiale didattico e di poter discutere  la letturatura con
profondità e correttezza dell'espressione, mostrando anche la capacità di relazionare le varie nozioni acquisite e una consapevolezza sufficiente dei limiti e delle potenzialità dei sistemi CNS. Per accedere  all'esame orale, gli studenti devono aver ottenuto un livello sufficiente nelle prove scritte.

 

Assessment methods

 The  written test is typically based on material  from the lab experience  (code developed during the course) and on  a report on advanced theoretical topic (in written/slide form) or with applicative aim (project with code and results).  The material is delivered in advance by the student.

The oral test consists in an interview between the candidate and the course lecturers on all parts of the program and, where appropriate, in the discussion on the written test. During the oral exam the student must be able to demonstrate her/his knowledge of the course material and be able to discuss the reading matter thoughtfully and with propriety of expression, also  showing the ability to relate the various notions acquired and a sufficient awareness of the limits and potential of CNS systems.
To take the oral exam, students must have obtained a sufficient grade in the written tests.

 

Note

CNS: Informazioni sulla modalità delle lezioni saranno fornite sul sito Moodle del corso e li aggiornate.

For the LAB during the course you have to bring your device (BYOD policy).

Notes

Special info CNS: Infomation on the course modality will be provided in the ML Moodle site and updated therein.

For the LAB during the course you have to bring your device (BYOD policy).

Updated: 30/09/2022 12:08