Neuroinformatika
Dalyko anotacija lietuvių kalba
Kurse nagrinėjama neuroinformatikos sritis, jos svarba neuromokslų vystymui, matematinio ir kompiuterinio biologinių nervų sistemų modeliavimo metodai, naudojami biologinių neuronų ir biologinių neuronų tinklų veikimo principams, informacijos apdorojimui, mokymosi ir atminties formavimosi biologinėse nervų sistemose mechanizmams suprasti. Laboratorinių darbų ir seminarų metu studentai įgis praktinių nervų sistemos modeliavimo įgūdžių: parinks tinkamą modeliavimo lygmenį, sudarys ir programiškai įgyvendins matematinius modelius, atliks skaičiavimus, interpretuos rezultatus, padarys išvadas.
Dalyko anotacija užsienio kalba
Students learn the basic knowledge on neuroinformatics, its importance in advancement of neural science, mathematical and computational methods applied in biological neural systems modeling, specifically, in understanding the mechanisms of information processing, learning and memory formation in biological neurons and neural networks. During the laboratory works and seminars students will learn to perform computational modeling of neural systems: chose the appropriate level of modeling, design and implement mathematical models in a programming environment, run simulations, interpret the results obtained and present conclusions.
Būtinas pasirengimas dalyko studijoms
Matematinė analizė ir tiesinė algebra, neuroniniai tinklai, mašininis mokymas
Dalyko studijų rezultatai
1. Apibrėžti neuroinformatikos tikslus, sritis.
2. Apibrėžti matematinio ir kompiuterinio nervų sistemos modeliavimo tikslus, taikomus metodus.
3. Paaiškinti kompiuterinio ir matematinio nervų sistemos modeliavimo principus, naudojamus informacijos saugojimui ir apdorojimui nervų sistemose suprasti.
4. Atlikti neuroninių sistemų kompiuterinį modeliavimą Matlab, NEURON ir kt. programinėje aplinkoje.
Dalyko turinys
1. Neuroinformatikos tikslai ir sritys. Neuroinformatikos kaip mokslo nervų sistemai suprasti iššūkiai.
2. Matematinis ir kompiuterinis nervų sistemos modeliavimas: tikslai, modeliavimo lygmenys, metodai.
3. Pasyvus neuronas. Ramybės potencialas. Nernsto lygtis. Hodžkino-Hakslio-Kaco lygtis.
4. Elektrinės ir cheminės sinapsės.
5. Kabelių lygtis. Pasyvus signalų sklidimas. Sekcijinis neuronų modeliavimas.
6. Veikimo potencialo generavimas. Hodžkino-Hakslio modelis. Nuo įtampos priklausančių jonų kanalų modeliai.
7. Supaprasti neuronų modeliai. IF modeliai, Pinsky-Rinzel modelis, Ižikevič modelis, neuronų populiacijų modeliai.
8. Mokymasis nervų sistemose. Kalcio dinamika.
9. Hebo mokymosi taisyklė. Nuo neuronų aktyvumo priklausantis sinapsių plastiškumas. Atmintys. Asociatyviniai ir autoasociatyviniai neuroniniai tinklai.
10. Mokymas su pastiprinimu: pokyčiai elgesyje, nervų sistemos tinkluose, sinapsėse.
11. Sprendimų priėmimas ir Bajeso sprendimų teorija.
12. Nervų sistemų modelių stabilumo analizė.
13. Projekto pristatymas.
Dalyko studijos valandomis
Paskaitos (P) 30 val.
Seminarai (S) 4 val.
Laboratoriniai darbai (L) 26 val.
Savarankiškas darbas 100 val.
Iš viso 160 val.
Studijų rezultatų vertinimas
Kolokviumas - 20%, laboratoriniai darbai ir seminarai – 30%, baigiamasis egzaminas – 50%.
Literatūra
1. 2001 Dayan, P. and Abbott, L.F. Theoretical Neuroscience. MIT Press
2. 1999 Coch, K. Biophysics of Computation: Information Processing in Single Neurons. Oxford University Press: New York, New York.
3. 2010 Trappenberg, T. Fundamentals of Computational Neuroscience. Oxford University Press.
Papildoma literatūra
1. 2000 Kandel, ER., Schwartz, JH, Jessell TH. Principles of Neural Science. McGraw-Hill Medical.
2. 2014 M.T.Hagan, H.W.Demuth. Neural Network Design.
http://hagan.okstate.edu/NNDesign.pdf eBook
