Ment i Cervell
Codi: 108259Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Intel·ligència Artificial / Bachelor in Artificial Intelligence | OB | 4 |
Professor/a de contacte
- Nom :
- Margalida Coll Andreu
- Correu electrònic :
- margalida.coll@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
No hi ha prerequisits
Objectius
L'objectiu general d'aquest curs és que els estudiants comprenguin com funciona el sistema nerviós, quines sónles bases neuronals dels processos cognitius, i la relació bidireccional entre la neurociència i la intel·ligència artificial.
Tenint en compte les consideracions anteriors, aquest curs s'adreçarà als següents objectius específics:
1. Conèixer i comprendre els fonaments anatòmics, cel·lulars i moleculars del processament de la informació en el sistema nerviós.
2. Comprendre els mecanismes de plasticitat en el sistema nerviós, des del nivell sinàptic fins a la reorganització multimodal funcional dependent de l'experiència.
3. Conèixer i comprendre les bases neuronals del processament sensorial en els múltiples nivells del sistema nerviós.
4. Conèixer i comprendre les bases neuronals de l'aprenentatge i la memòria, i les emocions.
5. Conèixer les principals tècniques per al registre i l'estimulació de l'activitat neuronal, i identificar les aplicacions pràctiques basades en la intel·ligència artificial.
Resultats d'aprenentatge
- KM27 (Descriure els fonaments anatòmics dels sistemes neuronals que sustenten els processos cognitius bàsics de processament d’informació, memòria i aprenentatge.) Descriure els fonaments anatòmics dels sistemes neuronals que sustenten els processos cognitius bàsics de processament d’informació, memòria i aprenentatge.
- SM28 (Relacionar conceptes dels processos cognitius i els mecanismes neuronals humans amb el disseny i l’anàlisi d’algoritmes d’aprenentatge i raonament automàtic.) Relacionar conceptes dels processos cognitius i els mecanismes neuronals humans amb el disseny i l’anàlisi d’algoritmes d’aprenentatge i raonament automàtic.
- SM29 (Aplicar tècniques d’intel·ligència artificial per a l’anàlisi de les dades obtingudes mitjançant tècniques de registre de l’activitat neural i entendre les seves implicacions per a la neurociència cognitiva.) Aplicar tècniques d’intel·ligència artificial per a l’anàlisi de les dades obtingudes mitjançant tècniques de registre de l’activitat neural i entendre les seves implicacions per a la neurociència cognitiva.
Continguts
1. Introducció: La interrelació entre la neurociència i la intel·ligència artificial
- Intel·ligència artificial bioinspirada
- Aplicacions de la intel·ligència artificial a la neurociència i a l'estudi del comportament i les funcions mentals.
2. Estructura i funció del sistema nerviós: Nivells molecular, cel·lular i sinàptic
2.1. Les cèl·lules del sistema nerviós
2.2. Potencial de membrana, potencial d'acció i transmissió sinàptica.
2.3. Mecanismes de plasticitat sinàptica.
2.4. Xarxes neuronals biològiques.
3. Estructura i funció del sistema nerviós: nivell de sistemes.
3.1. Principals divisions del sistema nerviós i la seva organització.
4. Tècniques de registre i estimulació de l'activitat neuronal
4.1. Tècniques electrofisiològiques d'estimulació i registre de poblacions neuronals i neurones individuals
4.2. Tècniques d'imatge de calci
4.3. Optogenètica
4.4. Neuroimatge estructural i funcional.
4.5. Interfícies neuronals
5. Com el cervell percep el món.
5.1. Organització general dels sistemes sensorials
5.2. Transducció i codificació en els sistemes somatosensorials
5.3. Transducció i codificació en el sistema auditiu
6. Com el cervell aprèn, recorda i oblida
6.1. Sistemes de memòria cerebrals: bases neuronals dels sistemes implícit i explícit
6.2. Memòria, extinció, oblit i plasticitat sinàptica
7. Bases biològiques de les motivacions i les emocions
7.1. Components de les emocions
7.2. Bases neuronals de l'expressió i la comprensió de les emocions
7.3. El sistema neuronal de recompensa i les seves alteracions. Les addiccions
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Estudi, preparació i implementació d'activitats | 89 | 3,56 | KM27, SM28, SM29 |
| Tutories online i presencials | 52 | 2,08 | KM27, SM28, SM29 |
| Docència teòrica | 0 | 0 | KM27, SM28, SM29 |
El curs 2026-27 aquesta assignatura no tindrà docència presencial, degut a una modificació en el pla d'estudis. Aquesta assignatura només s'oferirà a estudiants matriculats en cursos anteriors que no vagin superar-la. Per això, la metodologia docent consistirà en tutories quan l'estudiant les requereixi i activitats en línia.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Activitats de seguiment | 30 | 4 | 0,16 | KM27, SM28 |
| Examen final | 35 | 2 | 0,08 | KM27, SM28 |
| Presentació basada en articles científics | 20 | 2 | 0,08 | SM28, SM29 |
| Examen parcial | 15 | 1 | 0,04 | KM27 |
L'avaluació d'aquesta assignatura es duu a terme de manera contínua. L'avaluació té una clara funció formativa.
Les competències d'aquesta assignatura s'avaluaran mitjançant: activitats de seguiment, informe i presentació individual i exàmens.
Les evidències d'aprenentatge que l'estudiant haurà de lliurar faran referència als continguts i competències basades en les informacions disponibles en línia, així com en llibres i articles.
- Evidència 1. Activitats contínues basades en exercicis que es realitzaran al llarg del semestre: 30%.
Retroalimentació a través de Moodle o a les tutories tan bon punt s'hagi realitzat cada activitat.
- Evidència 2. Presentació oral i defensa d'un treball individual basat en articles científics: 20%.
Retroalimentació a través de Moodle o a les tutories les setmanes 15 i 16.
- Evidència 3. Examen parcial, que es farà a mitjans del semestre: 15%.
Retroalimentació a les tutories després de la publicació de les notes.
- Evidència 4. Examen final, que es farà al final del semestre i que inclourà contingut de tota l'assignatura: 35%.
Retroalimentació a les tutories després de la publicació de les notes.
Assignatura superada
L'assignatura estarà superada si l'estudiant compleix les dues condicions següents:
a) ha obtingut una qualificació de com a mínim 5 punts (sobre 10) en el conjunt de les evidències
b) ha obtingut una puntuació de com a mínim 4,5 punts (sobre 10) a l'Evidència 4.
Si no es compleixen aquestes dues condicions, la qualificació de l'expedient acadèmic serà la suma ponderada de les qualificacions de les quatre evidències si aquesta suma és inferior o igual a 4,5, i 4,5 en cas contrari (per tant, la qualificació màxima disponible per als estudiants que no compleixin els dos criteris serà de 4,5).
Recuperació
Per poder optar a la recuperació, l'estudiant ha de complir els requisits següents: 1) haver-se presentat a proves d'avaluació amb un pes mínim de dos terços de la nota total de l'assignatura; 2) tenir una nota igual o superior a 3,5 punts i inferior a 5 punts.
La recuperació consistirà en un examen sobre tota l'assignatura, que contindrà preguntes sobre tots els continguts teòrics. La nota màxima que es podrà obtenir en el curs, en cas de superar la recuperació, serà de 5.
Assignatura 'no avaluable'
Un estudiant que hagi presentat proves d'aprenentatge amb un pes inferior a 4 punts (40%) tindrà la qualificació de "no avaluable" a l'expedient acadèmic.
Acte d'avaluació única
Aquesta assignatura no ofereix la possibilitat de fer una única avaluació (acte d'avaluació única).
Bibliografia
Llibres i articles
Carlson, N.R.; Birkett, M.A. (2017). Physiology of Behavior, Global edition. Pearson Education (la biblioteca de la UAB disposa tant de versions en paper com de versions online).
Cohen Y, Engel TA, Langdon C, Lindsay GW, Ott T, Peters MAK, Shine JM, Breton-Provencher V,
Ramaswamy S. Recent Advances at the Interface of Neuroscience and Artificial Neural Networks. J Neurosci.
2022 Nov 9;42(45):8514-8523. doi: 10.1523/JNEUROSCI.1503-22.2022.
Jeon I, Kim T. Distinctive properties of biological neural networks and recent advances in bottom-up
approaches toward a better biologically plausible neural network. Front Comput Neurosci. 2023 Jun
28;17:1092185. doi: 10.3389/fncom.2023.1092185
Pàgines web
https://www.ebrains.eu/
https://www.neuroanatomy.ca/
http://lifesciencedb.jp/bp3d
Programari
Neurosim
https://www.st-andrews.ac.uk/~wjh/neurosim/index.html
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura