 Εκτύπωση
 Κλείσιμο
|
Προβολή Στοιχείων Μαθήματος
| Τμήμα Μαθήματος: | Τμήμα Πληροφορικής |
|---|---|
| Κωδικός Μαθήματος: | ΕΠΛ 667 |
| Τίτλος Μαθήματος: | Υπολογιστική Νευροεπιστήμη |
| Αριθμός Κατανεμόμενων Πιστωτικών Μονάδων (ECTS): | 8 |
| Επίπεδο Μαθήματος: | 2ος Κύκλος (Μεταπτυχιακός Τίτλος) |
| Έτος Σπουδών (κατά περίπτωση): | 1 |
| Εξάμηνο/Τρίμηνο όταν Προσφέρεται το Μάθημα: | Εαρινό Εξάμηνο |
| Όνομα Διδάσκοντος (-ων): | Χρ. Χριστοδούλου |
| Διαλέξεις/Εβδομάδα: | 1 (3 ώρες ανά διάλεξη) |
| Εργαστήρια/Εβδομάδα: | 1 (2 ώρες ανά διάλεξη) |
| Φροντιστήρια/Εβδομάδα: | 1 (1 ώρες ανά διάλεξη) |
| Σκοπός και Στόχοι του Μαθήματος: |
Η Νευροπληροφορική ή αλλιώς Υπολογιστική Νευροεπιστήµη (Computational Neuroscience) είναι ένα αναδυόμενο και δυναµικά αναπτυσσόµενο θέµα και ερευνητικό αντικείµενο που σκοπό έχει να διασαφηνίσει τις αρχές επεξεργασίας πληροφοριών από το νευρικό σύστηµα του εγκεφάλου καθώς επίσης να χρησιµοποιήσει τεχνολογία πληροφορικής για επεξεργασία νευροεπιστηµονικών πειραµατικών δεδοµένων. Το µάθηµα στοχεύει να αναπτύξει και να εφαρµόσει υπολογιστικές µεθόδους για την µελέτη του εγκεφάλου και συµπεριφοράς καθώς και της κατανόησης της δοµής του συνειδητού µυαλού. |
| Μαθησιακά Αποτελέσματα του Μαθήματος: |
Μετά το πέρας του μαθήματος οι φοιτητές αναμένονται να είναι σε θέση: - να κατανοούν και να μπορούν να εξηγούν τις βασικές αρχές της επεξεργασίας πληροφοριών από τα νευρικά συστήματα - να αναγνωρίζουν την σημαντικότητα των υπολογιστικών νευρωνικών μοντέλων στην προσπάθεια κατανόησης του εγκεφάλου και το γεγονός ότι πολλές πτυχές της νευροεπιστήμης δεν μπορούν να κατανοηθούν χωρίς το κατάλληλο πλαίσιο υπολογιστικής μοντελοποίησης - να κατανοούν τα πιο σημαντικά βιοφυσικά μοντέλα νευρώνων και τους διαφορετικoύς βαθμούς περιγραφής και πολυπλοκότητας της υπολογιστικής νευρωνικής μοντελοποίησης από το επίπεδο του μονού νευρώνα στο επίπεδο των νευρωνικών δικτύων - να κατανοούν πώς σήματα που λαμβάνονται μέσω πειραμάτων μας βοηθούν να κατανοήσουμε την λειτουργικότητα των νευρώνων και συστημάτων στον εγκέφαλο και πώς στατιστικές προσεγγίσεις μας βοηθούν στο να αναλύουμε τέτοιου είδους δεδομένα - να μπορούν να υλοποιούν και να προσομοιώνουν μέσω προγραμματισμού βασικά υπολογιστικά νευρωνικά μοντέλα - να εξοικειωθούν και να μπορούν να χρησιμοποιούν διάφορα πακέτα προσομοιωτών υπολογιστικής νευροεπιστήμης για μοντελοποίηση πολύπλοκων βιοφυσικών μοντέλων και φαινομένων τα οποία παρατηρήθηκαν πειραματικώς - να μπορούν να αντιληφθούν την σημασία της αφαιρετικότητας στην μοντελοποίηση εγκεφαλικών συστημάτων από τις θεμελιώδεις αρχές των νευρώνων για την κατανόηση συμπεριφορών του εγκεφάλου - κριτική ανάγνωση και συζήτηση πρόσφατα δημοσιευμένων επιστημονικών άρθρων |
| Προαπαιτούμενα: | Γραµµική Άλγεβρα, Διαφορικές εξισώσεις |
| Συναπαιτούμενα: | Δεν Εφαρμόζεται |
| Περιεχόμενο Μαθήματος: |
Εισαγωγή στην Νευροπληροφορική· βασική νευροβιολογία: από τον εγκέφαλο σε µονούς νευρώνες· βιοφυσική µονών νευρώνων· συνάψεις· δενδρίτες και άξονες. Μοντέλα νευρώνων βασισµένα σε διαγωγιµότητα: παραγωγή δυναµικών δράσης (action potentials) και οι εξισώσεις Hodgkin και Huxley. ∆έντρα δεντριτών, διάδοση δυναµικών δράσης, θεωρία καλωδίων, µοντέλα µε χωρίσµατα. Μοντέλα νευρώνων καρφοειδούς εκτόξευσης σηµάτων και µεταβλητότητα απόκρισης: µοντέλα νευρώνων τύπου leaky integrator και integrate-and-fire, µεταβλητότητα χρόνου εξαπόλυσης καρφοειδών σηµάτων. Τρέχοντα θέµατα στην νευροπληροφορική συµπεριλαµβανοµένων: (α) της κατανόησης του νευρωνικού κώδικα και (β) της συναπτικής πλαστικότητας. Μοντελοποίηση του εγκεφάλου από κάτω προς τα πάνω και από πάνω προς τα κάτω: µοντελοποίηση συµπεριφοράς αυτοελέγχου σαν ένα παράδειγµα µοντελοποίησης από πάνω προς τα κάτω. Μοντελοποίηση συνείδησης/συναίσθησης: το πρόβληµα και εισαγωγή στις τρέχοντες µεθόδους προσέγγισης του θέµατος. Εφαρµογές Νευροπληροφορικής· Νευροπληροφορική σε αντιπαράθεση µε την Βιοπληροφορική απλή εισαγωγή στην Βιοπληροφορική – εφαρµογές. |
| Διδακτικές Μέθοδοι: | ∆ιαλέξεις (3 ώρες εβδοµαδιαίως), Φροντιστήριο (1 ώρα εβδοµαδιαίως) και Εργαστήριο (2 ώρες εβδοµαδιαίως). |
| Απαιτούμενη Βιβλιογραφία: |
P. Dayan και L. Abbott, Theoretical Neuroscience: Computational and Mathematical Modelling of Neural Systems, MIT Press, 2001. D. Sterratt, B. Graham, A. Gilles και D. Willshaw, Principles of Computational Modelling in Neuroscience, Cambridge University Press, 2011. W. Gerstner και W. M Kistler, Spiking Neuron Models: Single Neurons, Populations and Plasticity, Cambridge University Press, 2002. C. Koch, Biophysics of Computation: Information Processing in Single Neurons, Oxford University Press, 1998. E. M. Izhikevich, Dynamical Systems in Neuroscience: the Geometry of Excitability and Bursting, MIT Press, 2007. |
| Μέθοδοι Αξιολόγησης και Κριτήρια: | Τελική εξέταση, ενδιάµεση εξέταση και εργαστηριακές ασκήσεις. |
| Γλώσσα Διδασκαλίας: | Ελληνικά |
| Τρόπος Παράδοσης: | Πρόσωπο με Πρόσωπο |
| Πρακτική Άσκηση: | Δεν Εφαρμόζεται |