Identifying Data 2016/17
Subject (*) Modelos Biolóxicos e Computacionais de Representación do Coñecemento Code 610490017
Study programme
Mestrado Universitario en Neurociencia (Plan 2011)
Descriptors Cycle Period Year Type Credits
Official Master's Degree 2nd four-month period
 First Optativa 3
Language
Spanish
Teaching method Face-to-face
Prerequisites
Department Tecnoloxías da Información e as Comunicacións
Coordinador
Pazos Sierra, Alejandro
 E-mail
alejandro.pazos@udc.es
Lecturers
Dorado de la Calle, Julian
Pazos Sierra, Alejandro
 E-mail
julian.dorado@udc.es
alejandro.pazos@udc.es
Web http://www.usc.es/neurosci
General description Dar a coñecer aos alumnos algunhas das técnicas de representación do coñecemento en Sistemas Intelixentes. Por outra parte, ver un exemplo de representación do coñecemento distribuído compatible e baseado con algún sistema biolóxico para a representación do coñecemento.

Study programme competencies
Code Study programme competences / results
A4 Explicar o funcionamento das neuronas dende o nivel molecular ao celular.
A5 Describir a relación entre as canles iónicas e o comportamento neuronal.
A9 Comprender as bases biolóxicas da cognición e das emocións con especial énfase en procesos de atención, aprendizaxe, memoria e control executivo, tendo en conta os cambios que se producen coa idade.
B4 Saiban ler e obter información relevante de publicacións científicas.
B5 Saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en ámbitos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa neurociencia.
B8 Saiban traballar en grupos de carácter multidisciplinar
B10 Posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en boa medida autodirixido ou autónomo.

Learning aims
Learning outcomes Study programme competences / results
Entender a base neurobiolóxica na que se fundamentan os sistemas adaptativos, da que obteñen a súa estructura e funcionalidades AR4
AR5
Comprender aas características do coñecemento natural e a súa representación e coñecer o modo de razoar dos sistemas adaptativos e dos distintos métodos para a súa aprendizaxe AR4
AR9
 BR8
BR10
Estudialo proceso fundamental de modelización dun sistema adaptativo AR4
AR9
 BR4
BR5
BR8
BR10

Contents
Topic Sub-topic
1. CONCEPTOS HISTÓRICOS E BÁSICOS DOS SISTEMAS ADAPTATIVOS 1.1 Evolución histórica e precursores.
1.2 Nacemento.
2. MODELOS 2.1 Proceso de Modelización.
2.2 Comparación entre o elemento biolóxico e o formal.
3. O COÑECEMENTO NATURAL E A SÚA REPRESENTACIÓN. 3.1 Características do coñecemento do mundo real.
3.2 Formas de representación do coñecemento.
4. RAZOAMENTO E APRENDIZAXE. 4.1 Modos de Razoamento.
4.2 Tipos de Aprendizaxe.
5. METODOLOXÍA EN SISTEMAS ADAPTATIVOS 5.1 Introducción.
5.2 Etapas da Metodoloxía.
6. APLICACIONS BÁSICAS DOS SISTEMAS CONEXIONISTAS 6.1 Consideracións previas.
6.2 Aplicacións.

Planning
Methodologies / tests Competencies / Results Teaching hours (in-person & virtual) Student’s personal work hours Total hours
Guest lecture / keynote speech A4 A5 A9 10 20 30
Collaborative learning B8 10 10 20
Supervised projects B4 B5 B10 5 20 25
 
Personalized attention 0 0
 
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies
Methodologies Description
Guest lecture / keynote speech Contidos periódicos da materia
Collaborative learning Comentarios de artigos científicos e realización de exercicios prácticos
Supervised projects Realización dun traballo sobre un dos temas da materia

Personalized attention
Methodologies
Supervised projects
Collaborative learning
Description
Atencíon nas horas de tutoría para guiar a elaboración dos traballos en grupo.

Assessment
Methodologies Competencies / Results Description Qualification
Supervised projects B4 B5 B10 Traballos para incrementar coñecementos sobre os contidos da materia 30
Guest lecture / keynote speech A4 A5 A9 Valoración por exame de preguntas cortas ou de desenrrolo 50
Collaborative learning B8 Debates e comentarios en clase sobre os contidos de teoría 20
 
Assessment comments

Sources of information
Basic

Arbib M.A.: "Cerebros, Máquinas y Matemáticas". Ed. Alianza Universidad. Madrid. 1987.

Arbib, M.A.: “The handbook of brain theory and neural networks”. Cambridge, Massachusetts. MIT Press. 1995.

Grossberg, S.: "Neural Networks and Natural Inteligence". Editor: MIT Press, 1988.

Hertz, J., Krogh, A. & Palmer, R.: "Introduction to the Theory of Neural Computation". Santa Fe Institute, Addison-Wesley Editores 1991.

Hinton, G.E.: “How Neural Networks Learn from Experience”. Scientific American, 267, 144-151. 1992.

McCulloch, W. S., and Pitts, W.: "A Logical Calculus of the Ideas Inmanent in the Neural Nets". Buletin of Mathematical Biophysics, vol. 5, pp. 115-137. 1943.

McCulloch, W.S., Arbib, M.A. & Cowan, J.D. "Neurological Models and Integrative Processes". In Yacovits, Jacobi and Goldstein. Ed. Selft-Organizing Systems.Spartan bocks. Washington. 1969.

Minsky, M. & Papert, S.: "Perceptrons". Cambridge, MIT Press. 1988.

Ramón y Cajal, S.: "Textura del Sistema Nervioso del Hombre y los Vertebrados". tomo I. Ed. Alianza. 1989.

Rosenblueth, A., Wiener, N, and Bigelow, J.: "Behavior, Purpose and Teleology". Phylosophy of Science nº10, pp. 18-24. 1943.

Rumelhart, D.E., Widrow, B. & Lehr, M. A.: "The basic ideas in neural networks". Comm. ACM. Num 37. pp 87-92. 1994.
Complementary


Recommendations
Subjects that it is recommended to have taken before

Subjects that are recommended to be taken simultaneously

Subjects that continue the syllabus

Other comments


(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.