Computational neuroscience – Idegrendszeri modellezés

ELTE TTK

2024/25. autumn

Our brain is an information processing device that interprets sensory stimuli to learn about the external world and make intelligent decisions. To understand how the brain achieves all these functions we develop computational models and compare their predictions to neuronal activity recorded during behavior. During this course we introduce the toolkit of information theory, dynamical systems and machine learning to discover the principles underlying sensory coding, decision making, learning and memory. The course starts with discussing how the activity of neural populations represent and transform sensory information in order to control behavioral responses. Then we study the excitability of neurons and networks both at the biophysical and at the dynamical level. Finally we investigate the mathematical basis of learning and memory in the nervous system. Besides the lectures focusing on the core principles and concepts of computational neuroscience, the course also includes optional programming exercises in python allowing students to test their knowledge on real data. The course is recommended for

  • biology students ready to learn mathematics or programming to build quantitative models of the nervous system.
  • physics, math, informatics or engineering students interested in information processing in the brain
  • Time: Monday, 16:05-17:35
  • Location: BME, Lágymányos campus, QBF08 – Q building
  • Neptun: idemodhb22gm (ELTE) BIO/07/16 (ELTE, biology PhD school)
  • group email: compneuro2024fall@googlegroups.com
  • Lecturers: Orbán Gergő, Somogyvári Zoltán, Ujfalussy Balázs
  • Programming exercises: Python notebooks in google colab – see the link here to a shared folder. Exercises are based on the Neuromatch academy 2022. Send the solutions (notebooks) to assignmentscsnl@gmail.com no later than the Sunday before the lecture. 
  • Grades. There are two options: 
    • Coursework. 
      By completing the programming exercises during the course. Specifically, complete the progamming exercises associated with each lecture in pairs or individually; send the solutions (jupyter notebooks) to assignmentscsnl@gmail.com no later than Sunday; collect points in each topic; grade 5 is offered > 60%, 4>50%, 3>40% 2>25% on all 3 topics; solved exercises are taken into account on the exam.
    • Written exam
      • Time: TBA. Please, write an email to assignmentscsnl@gmail.com at least 3 days before the selected date if you are planning to take the exam.
      • Few questions preferentially with figures similar to those on this Exam sheet from previous year: link

Syllabus (may change):

Introduction (BU)

  • 9 Sept: The use of models in neuroscience: bottom-up and top-down, two meaning of computation, Marr’s levels: computational, algorithm/representation, implementation. the brain and the computer. Slides are here. Introduction to google colab (https://colab.research.google.com/) and ipython notebook (https://jupyter.org/) environments.

Neurons and networks (SZ)

  • 16 Sept: Neural electricity: membrane potential, resting potential, reversal potential, Nernst potential, ion channels, membrane capacitance, electric and chemical gradients, driving force, membrane current, conductance, concentration, differential equation – neural electircity slides. Exercise – link here to the folder: 00_ions
  • 23 Sept: Hodgkin Huxley model. Potentials: membrane ~, resting ~, reversal ~, Nernst ~ and action potential, ion channels, gating variables and excitability. Hogkin-Huxley modell, time constant, separation of time scales. Homework: 10_HH. Slides from Zoltán Somogyvári.
  • 30 Sept: Models of signal propagation and integration in the dendritic tree. Synapses, dendrites and the cable equation. Slides from Zoltán Somogyvári. Homework: TBA.
  • 7 Oct: Simplified models: simplification of the HH model, analysis of dynamical systems, phase space, state variables, slow and fast variables, nullclines, attractor, trajectory, Izhikevich model, integrator, resonator, integrate and fire model and its variants. Rate models and Binary neurons. Exercise: 12_IF Slides are here. (BBU)

Neural Coding (BBU)

  • 14 Oct: Encoding: Encoding of stimuli in sensory systems. The origin of neuronal variability: input or output noise, coding, receptive field, PSTH, Poisson distribution, Fano factor, LNP and GLM models, linear filter, link function, ikelihood, maximum likelihood. Slides. Exercise: 20_GLM_fitting.
  • 21 Oct: Decoding: Bayes rule, likelihood, prior, posterior, evidence, forward and inverse probability, decoding sensory stimuli from spikes, Poisson variability, place cell, position coding, population decoding, maximum aposteriori, discrimination, neurometric, psychometric curves, choice probability, sensitivity (next week). Slides. Intro: W2D1 Intro Exercise: 21_Inference_Poisson
  • 30 Oct: Autumn break
  • 5 Nov: Lecture about navigation by Zoltán Somogyvári. no Exercise.
  • 11 Nov: Neural networks: feed-forward and feed-back networks, role and types of the weight matrix. Network level phenomena: paradoxical inhibition, preparatiry activity in the motor cortex. Comparison of receptive fields in concolutional networks and in cortical regions. Recurrent connectivity in cortex, sponetaneous activity. Linear and nonlinear networks, rate model, eigendecomposition, amplification, balance of excitation-inhibition, non-normal networks, transient dynamics, response variability in networks. Slides are here. Exercise: 23_Networks_tutorial

Plasticity, adaptation and learning (GO)

  • 18 Nov: Reinforcement learning concepts (probelm of distal reward, value function, Bellman equations, temporal difference learning, reward prediction error, dopamin) and biophysical basis of neuronal excitability.
  • 25 Nov: Synapse and synaptic plasticity, Hebbian plasticity. Supervised learning, perceptron. Exercise: TBA, Slides
  • 2 Dec: Memory and hippocampus. Episodic memory, HM, attractor, cell assembly, Hopfield network. Slides. Exercise: Perceptron.ipynb,
  • 9 Dec: Unsupervised learning: PCA and dimensionality reduction. Brain-machine interfaces, error correction without supervision. slides.) Exercise: Perceptron.ipynb,

References in Hungarian:
Hasznos, de nem teljes jegyzet
Biofizika
Régebbi diák és jegyzet. (Péter Érdi and others)
selected chapters from Pléh Csaba – Kovács Gyula – Gulyás Balázs (szerk): Kognitív idegtudomány. Osiris, Budapest Érdi Péter – Lengyel Máté: Matematikai modellek az idegrendszer-kutatásban. p 126-148. Fiser József – Nádasdy Zoltán: Neurális kódolás térben és időben. p 171-201 Nádasdy Zoltán – Fiser József: A tanulás biológiai és mesterséges neurális hálói p 389 Káli Szabolcs – Acsády László: A hippocampusfüggő memória neurobiológiai alapjai p 359

2021/22. autumn

Syllabus (may change):Introduction

  • 6 Sept: The use of models in neuroscience: bottom-up and top-down, the brain and the computer Intro slides.. Introduction to google colab (https://colab.research.google.com/) and ipython notebook (https://jupyter.org/) environments. Formation of the learning groups. Intro: W1D1 Intro (GO, BU és SZ).

Neural coding

  • 13 Sept: Encoding: Encoding of stimuli in sensory systems. The origin of neuronal variability: input or output, coding, receptive field, Poisson distribution, LNP and GLM models. Slides. Intro: W1D4 Intro Exercise: 11_GLM_fitting (UB)
  • 20 Sept: ELTE sportnap – no teaching
  • 27 Sept: Decoding: Bayes rule, decoding sensory stimuli from spikes, discrimination, choice probability, sensitivity, Fisher information. Slides. Intro: W2D1 Intro Exercise: 12_Inference_Poisson_tutorial
  • 4 Okt: Decision making: loss function, evidence integration, causality. Slides Plase also watch this video for a short intro

Neurons and networks

  • 11 Oct: Conductance based models. Potentials: membrane ~, resting ~, reversal ~, Nernst ~ and action potential, ion channels, gating variables and excitability. Hogkin-Huxley modell, time constant, separation of time scales. Slides.
  • 18 Oct: Models of signal propagation and integration in the dendritic tree. synapses, dendrites and the cable equation. Slides. Exercise: adex.ipynb
  • 25 Oct: Fall break, no teaching
  • 1 Nov: All Saints day, no teaching
  • 8 Nov: Simplified models: analysis of dynamical systems, phase space, attractor, bifurcation, FitzHugh-Nagumo model, integrator, resonator, integrate and fire model and its variants. Connections to GLMs. Rate models and Binary neurons. Slides.
  • 15 Nov: Neural networks: feed-forward and feed-back networks, weight matrix, linear and nonlinear networks, rate model, eigendecomposition, amplification, balance of excitation-inhibition, non-normal networks, transient dynamics, response variability in networks. Watch this intro video! Diák itt. Exercise: Coding/Networks.Rmd

Plasticity, adaptation and learning

  • 22 Nov: Synapse and synaptic plasticity, Hebbian plasticity. Exercise: TBA
  • 29 Nov: Supervised learning, perceptron. Exercise: TBA
  • 6 Dec: Reinforcement learning, temporal difference learning, eligibility trace, exploration vs. exploitation, value function, Bellman equation
  • (13 Dec: Exam term – Unsupervised learning: PCA and dimensionality reduction. Brain-machine interfaces, error correction without suervision. slides.)
  • (20 Dec: Exam term – Memory and hippocampus. Episodic memory, HM, attractor, cell assembly, Hopfield network. Slides. Exercise: Hippocampus/Hopfield.Rmd)

2020/21. ősz

A kurzus célja, hogy a hallgatók betekintést nyerjenek az idegrendszer működésébe. A modellek szerepe kettős: Egyrészt az idegrendszer egy komplex rendszer, a sokféle információ szintetizálásához pontos modellekre van szükség. Másrészt az idegrendszer modellezi a külvilágot, az aktivitását megfigyelve ezekről a modellekről is információt gyűjthetünk. A kurzust elsősorban a matematikától nem idegenkedő biológus vagy az agyunk működése iránt érdeklődő fizikus, mérnök vagy informatikus hallgatóknak ajánljuk, de bárki mást is szívesen látunk. A kurzus 14 előadásból áll, melyekhez egyszerű gyakorlati feladatok (adatelemzés python nyelven) is kapcsolódnak. Időpont: hétfő, 16:15 Helyszín: online, Google Meet – https://meet.google.com/gps-itih-bevTárgykód: kv2n9o46 (ELTE) BIO/07/16 (ELTE, biológia doktori iskola) BMETE47MC40 (BME) Oktatók:Orbán Gergő, Somogyvári Zoltán, Ujfalussy BalázsGyakorlat: A neuromatch kurzus feladataiból fogunk szemezgetni. Jegyszerzés feltétele az aktív órai részvétel (legalább egy prezentáció a félév során). Megajánlott jegy. A kurzushoz kapcsolódó gyakorlatok (programozási, adatelemzési feladatok) teljesítésével lehet megajénlott jegyet szerezni. Feltételek:

  • minden témakörből legalább 3 feladatot megoldani (a 4 feladatból egyet ki lehet hagyni)
  • legalább 15/20 pont feladatonként
  • a következő témakör kezdete előtt feltölteni egy megosztott google drive folderbe

Írásbeli vizsga

  • Időpont: TBA
  • Vizsgakérdések (példa): link

Tanterv (még változhat):

  • szept. 7: Bemutatkozás. Modellalkotás az idegtudományban, bottom-up és top-down modellek, az agy és a számítógép összehasonlítása Intro diák.. Google colab (https://colab.research.google.com/) és ipython notebook (https://jupyter.org/) környezetek bemutatása. Tanulópárok kialakítása. Intro: W1D1 Intro (GO, BU és SZ). A neurális kód
  • szept. 14.: Kódolás a szenzoros rendszerekben. A neurális variabilitás eredete: input vagy output, kódolás, receptív mező, Poisson eloszlás, LNP és GLM modellek. Diák itt. Intro: W1D4 Intro Feladat: 11_GLM_fitting (UB)
  • szept. 21.: Dekódolás: Bayes szabály, dekódolás, diszkrimináció, szenzitivitás, choice probability, Fisher information (UB). Diák itt. Intro: W2D1 Intro Feladat: 12_Inference_Poisson_tutorial
  • szept. 28.: Döntéshozatal: loss function, evidence integration, causality. Diák itt Plase also watch this video for a short intro (UB)
  • okt. 5.: Neuron hálózatok: előrecsatolt és visszacsatolt hálózat, súlymátrix, linárizáció, ráta modell, sajátvektor, amplifikáció, EI-hálózatok, nem-normális súlymátrix, tranziens dinamika, variabilitás eredete hálózatokban, serkentés és gátlás egyensúlya. Watch this intro video! Diák itt. Feladat: Coding/Networks.Rmd (UB) Biofizikai alapok
  • okt. 12.: Konduktancia alapú modellek: membrán-, reverzál-, egyensúlyi-, nyugalmi és Nernst potenciál, akciós potenciál, ion csatornák, kapuváltozók, serkenthetőség, Hogkin-Huxley modell, időállandó, időskálák szétválasztása Diák itt Feladat itt: 21_HH.ipynb (SZ).
  • okt. 19.: Egyszerűsített modellek: dinamikus rendszerek analízise: fázis-tér, attraktor, bifurkáció, időskálák szétválasztása, FitzHugh-Nagumo modell Diák itt. Feladat: 22_LIF.ipynb (SZ).
  • okt. 26.: Őszi szünet.
  • nov. 2.: Jelintegráció és jelterjedés az idegsejtekben: szinapszis, szinaptikus potenciál, szaturáció, dendritek, kábel egyenlet Diák itt. Feladat: adex.ipynb (SZ)
  • nov 9.: integrátor, rezonátor, IF és LIF modellek, ráta modell, MCP neuron Diák itt. Feladat: Biophys/IF_demo.Rmd (SZ) Hálózatok, Plaszticitás, adaptáció, tanulás
  • nov. 16: Szinapszis és a szinaptikus plaszticitás biofizikája, Hebbian plasticity. Feladat: SynapseLearning/Reliability.Rmd (OG)
  • nov. 23: Supervised learning, perceptron. Feladat: SynapseLearning/Perceptron.Rmd (OG)
  • nov. 30: Reinforcement learning, temporal difference learning, eligibility trace, exploration vs. exploitation, value function, Bellman egyenlet (OG)
  • dec. 7: Tanulás tanító nélkül: PCA és dimenzió redukciós módszerek populációs aktivitáshoz, Brain-machine interface dimenzió redukció segítségével; tanító nélküli hibajavítás. Diák itt. (OG)
  • dec. 14: Memória és a hippokampusz. Hippokampusz és epizódikus memória, HM, attraktor, cell-assembly, Hopfield hálózat. (SZ) diák. Feladat: Hippocampus/Hopfield.Rmd Jegyzetek
  • Hasznos, de nem teljes jegyzet (SZ)
  • Biofizika (UB)
  • Régebbi diák és jegyzet. (Péter Érdi and others)
  • selected chapters from Pléh Csaba – Kovács Gyula – Gulyás Balázs (szerk): Kognitív idegtudomány. Osiris, Budapest Érdi Péter – Lengyel Máté: Matematikai modellek az idegrendszer-kutatásban. p 126-148. Fiser József – Nádasdy Zoltán: Neurális kódolás térben és időben. p 171-201 Nádasdy Zoltán – Fiser József: A tanulás biológiai és mesterséges neurális hálói p 389 Káli Szabolcs – Acsády László: A hippocampusfüggő memória neurobiológiai alapjai p 359
    2019/20. őszTanterv:
    • szept. 9: Idegi ingerlékenység: bevezetés, bottom-up és top-down modellek, az agy és a számítógép összehasonlítása Diák itt Feladat: Biophys/ions_demo.Rmd (SZ).
    • szept 16: Konduktancia alapú modellek: membrán-, reverzál-, egyensúlyi-, nyugalmi és Nernst potenciál, akciós potenciál, ion csatornák, kapuváltozók, serkenthetőség, Hogkin-Huxley modell, időállandó, időskálák szétválasztása. Diák itt. Feladat: Biophys/HH_demo.Rmd (SZ).
    • szept 23: Jelintegráció és jelterjedés az idegsejtekben: szinapszis, szinaptikus potenciál, szaturáció, dendritek, kábel egyenlet Diák itt. Feladat: dia, 14. oldal. (UB)
    • szept. 30: Egyszerű modellek: dinamikus rendszerek analízise: fázis-tér, attraktor, bifurkáció, időskálák szétválasztása, integrátor, rezonátor, IF és LIF modellek, ráta modell, MCP neuron Diák itt. Feladat: Biophys/IF_demo.Rmd (UB) A neurális kód
    • okt. 7: Neuron hálózatok: előrecsatolt és visszacsatolt hálózat, súlymátrix, linárizáció, ráta modell, sajátvektor, amplifikáció, EI-hálózatok, nem-normális súlymátrix, tranziens dinamika, variabilitás eredete hálózatokban, serkentés és gátlás egyensúlya Diák itt. Feladat: Coding/Networks.Rmd (UB)
    • okt. 14: Hatékony kódolás a szenzoros rendszerekben. A neurális variabilitás eredete: input vagy output, GIF vs. GLM, kódolás, receptív mező, optimális kódolás: entropia, kölcsönös információ Diák itt. Feladat: Coding/Coding_demo.Rmd (OG)
    • okt. 21: Dekódolás: Bayes szabály, dekódolás, diszkrimináció, szenzitivitás, choice probability, Fisher information (OG). Diák itt. Feladat: Coding/Decoding_demo.Rmd
    • okt. 28: őszi szünet Hálózatok, Plaszticitás, adaptáció, tanulás
    • nov. 4: Szinapszis és a szinaptikus plaszticitás biofizikája, Hebbian plasticity. Feladat: SynapseLearning/Reliability.Rmd (UB)
    • nov. 11: Supervised learning, perceptron. Feladat: SynapseLearning/Perceptron.Rmd
    • nov. 18: Reinforcement learning, temporal difference learning, eligibility trace, exploration vs. exploitation, value function, Bellman egyenlet (OG)
    • nov. 25: Tanulás tanító nélkül: PCA és dimenzió redukciós módszerek populációs aktivitáshoz, Brain-machine interface dimenzió redukció segítségével; tanító nélküli hibajavítás. Diák itt és itt. (OG) Navigáció és a hippoccampus
    • dec. 2: Memória és a hippokampusz. Hippokampusz és epizódikus memória, HM, attraktor, cell-assembly, Hopfield hálózat. (SZ) diák. Feladat: Hippocampus/Hopfield.Rmd
    • dec. 9: Navigáció, megerősítéses tanulás és hippokampus. A hippokampusz felépítése, hely sejtek, navigáció és tervezés elmélete és kísérleti adatok: megerősítéses tanulás, aktor és kritik, TD-learning, value-function, prediction error, kitekintés: prediction error és dopamin kapcsolata, szekvenciák a hippokampuszban: theta és SPW alatt, predikció és tervezés (UB) link. Feladat: Hippocampus/Replay.Rmd, PlaceCells.Rmd
      2018/19. ősz
    Tanterv:
    • szept. 10: Idegi ingerlékenység: bevezetés, bottom-up és top-down modellek, az agy és a számítógép összehasonlítása Diák itt Feladat: Biophys/ions_demo.Rmd (SZ).
    • szept 17: Konduktancia alapú modellek: membrán-, reverzál-, egyensúlyi-, nyugalmi és Nernst potenciál, akciós potenciál, ion csatornák, kapuváltozók, serkenthetőség, Hogkin-Huxley modell, időállandó, időskálák szétválasztása. Diák itt. Feladat: Biophys/HH_demo.Rmd (UB).
    • szept 24: Jelintegráció és jelterjedés az idegsejtekben: szinapszis, szinaptikus potenciál, szaturáció, dendritek, kábel egyenlet Diák itt. Feladat: dia, 14. oldal. (UB)
    • okt. 1: Egyszerű modellek: dinamikus rendszerek analízise: fázis-tér, attraktor, bifurkáció, időskálák szétválasztása, integrátor, rezonátor, IF és LIF modellek, ráta modell, MCP neuron Diák itt. Feladat: Biophys/IF_demo.Rmd (SZ) A neurális kód
    • okt. 8: Hatékony kódolás a szenzoros rendszerekben. A neurális variabilitás eredete: input vagy output, GIF vs. GLM, kódolás, receptív mező, optimális kódolás: entropia, kölcsönös információ Diák itt. Feladat: Coding/Coding_demo.Rmd (UB)
    • okt. 15: Dekódolás: Bayes szabály, dekódolás, diszkrimináció, szenzitivitás, choice probability, Fisher information (OG). Diák itt
    • okt. 22: nemzeti ünnep
    • okt. 29: őszi szünet
    • nov. 5: Dekódolás: Bayes szabály, dekódolás, diszkrimináció, szenzitivitás, choice probability, Fisher information (OG). Diákat lásd az előző előadásnál. Feladat: Coding/Decoding_demo.Rmd Hálózatok, Plaszticitás, adaptáció, tanulás
    • nov. 12: Neuron hálózatok: előrecsatolt és visszacsatolt hálózat, súlymátrix, linárizáció, ráta modell, sajátvektor, amplifikáció, EI-hálózatok, nem-normális súlymátrix, tranziens dinamika, variabilitás eredete hálózatokban, serkentés és gátlás egyensúlya Diák itt. Feladat: Coding/Networks.Rmd (UB)
    • nov. 19: A szinaptikus plaszticitás biofizikája: szenzitizáció, habituácio, kondicionálás aplysia-ban, a tanulás molekuláris mechanizmusai. Tanulás tanítóval: hibajavítás, perceptron, backpropagation. Diák itt. (OG) Feladat: SynapseLearning/Reliability.Rmd
    • nov. 26: Tanulás tanító nélkül: Hebb szabály és PCA, dimenzió redukciós módszerek populációs aktivitáshoz, Brain-machine interface dimenzió redukció segítségével; tanító nélküli hibajavítás. Diák itt és itt. (OG) Feladat: SynapseLearning/Perceptron.Rmd Navigáció és a hippoccampus
    • dec. 3: Memória és a hippokampusz. Hippokampusz és epizódikus memória, HM, attraktor, cell-assembly, Hopfield hálózat. (SZ) diák. Feladat: Hippocampus/Hopfield.Rmd
    • dec. 10: Navigáció, megerősítéses tanulás és hippokampus. A hippokampusz felépítése, hely sejtek, navigáció és tervezés elmélete és kísérleti adatok: megerősítéses tanulás, aktor és kritik, TD-learning, value-function, prediction error, kitekintés: prediction error és dopamin kapcsolata, szekvenciák a hippokampuszban: theta és SPW alatt, predikció és tervezés (UB) link. Feladat: Hippocampus/Replay.Rmd, PlaceCells.Rmd
      2017/18. őszBiofizikai alapok
    • szept. 11: Idegi ingerlékenység: bevezetés, bottom-up és top-down modellek, az agy és a számítógép összehasonlítása. Konduktancia alapú modellek: membrán-, reverzál-, egyensúlyi-, nyugalmi és Nernst potenciál, akciós potenciál, ion csatornák, kapuváltozók, serkenthetőség, Hogkin-Huxley modell, időállandó, időskálák szétválasztása (UB).
    • szept 18: Jelintegráció és jelterjedés az idegsejtekben: szinapszis, szinaptikus potenciál, szaturáció, dendritek, kábel egyenlet (UB).
    • szept. 25: Egyszerű modellek: dinamikus rendszerek analízise: fázis-tér, attraktor, bifurkáció, időskálák szétválasztása, integrátor, rezonátor, IF és LIF modellek, ráta modell, MCP neuron (SZ) A neurális kód
    • okt. 2: Hatékony kódolás a szenzoros rendszerekben. A neurális variabilitás eredete: input vagy output, GIF vs. GLM, kódolás, receptív mező, optimális kódolás: entropia, kölcsönös információ (UB)
    • okt. 9: Dekódolás: Bayes szabály, dekódolás, diszkrimináció, szenzitivitás, choice probability, Fisher information (OG).
    • okt. 16: Neuron hálózatok: előrecsatolt és visszacsatolt hálózat, súlymátrix, linárizáció, ráta modell, sajátvektor, amplifikáció, EI-hálózatok, nem-normális súlymátrix, tranziens dinamika, variabilitás eredete hálózatokban, serkentés és gátlás egyensúlya (UB)
    • okt. 23: nemzeti ünnep
    • okt. 31: őszi szünet Plaszticitás, adaptáció, tanulás
    • nov. 6: A szinaptikus plaszticitás biofizikája: szenzitizáció, habituácio, kondicionálás aplysia-ban, a tanulás molekuláris mechanizmusai (UB és OG).
    • nov. 13: Tanulás tanítóval: hibajavítás, perceptron, backpropagation (OG).
    • nov. 20: Tanulás tanító nélkül: Hebb szabály és PCA, dimenzió redukciós módszerek populációs aktivitáshoz, Brain-machine interface dimenzió redukció segítségével; tanító nélküli hibajavítás. Diákat lásd az előző alkalomnál. (OG) Navigáció és a hippoccampus
    • nov. 27: Memória és a hippokampusz. Hippokampusz és epizódikus memória, HM, attraktor, cell-assembly, Hopfield hálózat. (SZ)
    • dec. 4: Nobel díj 2014, kódolás és dekódolás hely-sejtekkel, hippokampusz felépítése. Út-integráció és a grid sejtek: út-integráció, periódikus határ-feltétel, zajtűrés, grid sejtek, hiba-javítás, kódolás grid sejtekkel, kínai maradékrendszer kód. (SZ)
    • dec. 11: Navigáció: megerősítéses tanulás, aktor és kritik, TD-learning, value-function, prediction error, kitekintés: prediction error és dopamin kapcsolata, szekvenciák a hippokampuszban: theta és SPW alatt, predikció és tervezés. (SZ)
      2016/17. őszTanterv:
      • szept. 12: Biológiai bevezető, modellek az idegtudományban (Somogyvári Zoltán). Diák itt és itt.
      • szept 19: Az idegi elektromos jelek keletkezése, egy Nobel-díjas elmélet (SZ) diák Az első feladat
      • szept. 26: Mi az ami igazán számít? Egyszerűsített idegsejt modellek (SZ) diák
      • okt. 3: Hogyan terjed az idegi jel? (SZ)
      • okt. 10: Információ kódolás és kódfejtés az idegrendszerben (UB) Diák itt .
      • okt. 17: Koordináció idegsejtek között (Ujfalussy Balázs). Diák itt .
      • okt. 24: Tanulás a hibáinkból (UB) Diák itt .
      • okt. 31: őszi szünet
      • nov. 7: Tanulás egy sejttel, felügyelt tanulás, diák (Orbán Gergő) Diák itt
      • nov. 14: Tanulás neuronhálózatban, tanító nélküli tanulás, diák (OG)
      • nov. 21: Stimulus-statisztika és tanulás kapcsolata, diák (OG)
      • nov. 28: Reprezentációs tanulás az idegrendszerben, diák (OG)
      • dec. 5: Egy komplex funkció modellezése: a navigáció diák (SZ)
        2015/16. őszFeladatok:Tanterv:
        • szept. 7: Biológiai bevezető, modellek az idegtudományban (Somogyvári Zoltán). Diák itt és itt.
        • szept 14: Az idegi elektromos jelek keletkezése, egy Nobel-díjas elmélet (SZ) diák Az első feladat.
        • szept. 21: Mi az ami igazán számít? Egyszerűsített idegsejt modellek (SZ) diák
        • szept. 28: Hogyan terjed az idegi jel? (SZ)
        • okt. 5: Koordináció idegsejtek között (Ujfalussy Balázs). Diák itt .
        • okt. 12: Információ kódolás és kódfejtés az idegrendszerben (UB) Diák itt .
        • okt. 19: Tanulás a hibáinkból (UB) Diák itt .
        • okt. 26: őszi szünet
        • nov. 2: Tanulás egy sejttel, felügyelt tanulás, diák (Orbán Gergő)
        • nov. 9: Tanulás neuronhálózatban, tanító nélküli tanulás, diák (OG)
        • nov. 16: Stimulus-statisztika és tanulás kapcsolata, diák (OG)
        • nov. 23: Reprezentációs tanulás az idegrendszerben, diák (OG)
        • nov. 30: konzultáció
        • dec. 7: konzultáció

        2014/15. őszIdőpont: hétfő, 16:15-17:45 Helyszín: LK-É-058 Tárgykód: kv2n9o46
        • szept. 8: Biológiai bevezető (Somogyvári Zoltán)
        • szept 15: Modellek az idegtudományban (SZ)
        • szept. 22: Az akciós potenciál és a Hodgkin-Huxley modell, egyszerűsített egysejt-modellek (SZ)
        • szept. 29: Egyszerűsített és kiterjesztett egysejt-modellek (SZ)
        • okt. 6: Gyakorlat: HH- és kábelegyeneltek, hálózatok számítógépes szimulációja (Cserpán Dorottya)
        • okt. 13: A tanulás idegrendszeri modelljei (Bányai Mihály)
        • okt. 20: Megerősítéses tanulás, stratégiák tanulása az idegrendszerben (BM)
        • okt. 27: őszi szünet
        • nov. 3: A memória idegrendszeri modelljei (Gáspár Merse), jegyzet, cikk
        • nov. 10: Gyakorlat: tanulórendszerek számítógépes szimulációja (GM)
        • nov. 17: Kódolás az iderendszerben (Orbán Gergő)
        • nov. 24: A neurális kód értelmezése (OG)
        • dec. 1: Reprezentációs tanulás az idegrendszerben (OG)

        2013/14. őszIdőpont: hétfő, 16:15-17:45 Helyszín: Kémia épület 059 Tárgykód: kv2n9o46
        • szept. 16: Modellek az idegtudományban, biológiai bevezető, diák itt és itt.
        • szept. 23: Az akciós potenciál és a Hodgkin-Huxley modell, egyszerűsített egysejt-modellek (Somogyvári Zoltán diák itt )
        • szept. 30: Egyszerűsített egysejt-modellek, a diák itt (SZ)
        • okt. 7: Térben kiterjesztett egysejt-modellek, szinapszismodellek, a diák itt (SZ)
        • okt. 14: Gyakorlat: HH- és kábelegyeneltek, hálózatok számítógépes szimulációja (Cserpán Dorottya diák itt és itt )
        • okt. 21: A tanulás idegrendszeri modelljei (Bányai Mihály, diák itt)
        • okt. 28: őszi szünet
        • nov. 4: Megerősítéses tanulás, stratégiák tanulása az idegrendszerben (BM, diák itt)
        • nov. 11: A memória idegrendszeri modelljei (BM, diák itt)
        • nov. 18: Gyakorlat: tanulórendszerek számítógépes szimulációja (CSD. vázlat itt)
        • nov. 25: Kódolás az iderendszerben (Orbán Gergő)
        • dec. 2: A neurális kód értelmezése (OG)
        • dec. 9: Reprezentációs tanulás az idegrendszerben (OG)
        Ajánlott olvasmány: P. Dayan & L. Abbott: Theoretical Neuroscience Perceptron appletElőrecsatolt háló appletHopfield háló appletBoltzmann gép videó
        2012/13. ősz
        • szept. 10: Modellek az idegtudományban, biológiai bevezető (Bányai Mihály) diák itt
        • szept. 17: Az akciós potenciál és a Hodgkin-Huxley modell (Somogyvári Zoltán) diák itt
        • szept. 24: Egyszerűsített egysejt-modellek (SZ) diák itt
        • okt. 1: Térben kiterjesztett egysejt-modellek, szinapszismodellek (SZ) diák itt
        • okt. 8: Összetett egysejt-modellezés NEURON szimulációs környezetben (Cserpán Dorottya)
        • okt. 15: Elektrofiziológiai és mikroszkópikus kísérletek és adatelemzés, agy-gép interfészek (SZ) diák itt
        • okt. 22: ez feltehetően munkaszüneti nap lesz
        • okt. 29: őszi szünet
        • nov. 5: fMRI kísérletek és adatelemzés (BM) Fóliák itt.
        • nov. 12: A tanulás idegrendszeri modelljei (BM) Fóliák itt.
        • nov. 19: A memória idegrendszeri modelljei (BM) Fóliák itt.
        • nov. 26: Megerősítéses tanulás, stratégiák tanulása az idegrendszerben (BM) Fóliák itt.
        • dec. 3: Neuronhálózat modellezése számítógépes szimulációs környezetben (CSD)
        • dec. 10: A térbeli navigáció biológiai alapjai, modellek működés közben: helysejtek és gridsejtek (SZ) Fóliák itt.

        2011/12. ősz
        • szept. 19: Modellek az idegtudományban (Érdi Péter)
        • szept. 26: Biológiai bevezető (Somogyvári Zoltán) Az előadás fóliái megtalálhatóak itt .
        • okt. 3: Az akciós potenciál és a Hodgkin-Huxley modell (Zalányi László)
        • okt. 10: Egyszerűsített egysejt-modellek (ZL)
        • okt. 17: Térben kiterjesztett egysejt-modellek és NEURON szimulációs környezet (ZL)
        • okt. 24: Idegrendszeri betegségek (Szalisznyó Krisztina). Fóliák itt .
        • okt. 31: munkaszüneti nap
        • nov. 7.: Elektrofiziológiai és mikroszkópikus kísérletek és adatelemzés (SZ) Az előadás fóliái megtalálhatóak itt .
        • nov. 14: fMRI kísérletek és adatelemzés (Bányai Mihály). Fóliák itt.
        • nov. 21: Agy-gép interfészek (SZ)
        • nov. 28: A tanulás idegrendszeri modelljei (BM). Fóliák itt.
        • dec. 5: A memória idegrendszeri modelljei (BM). Fóliák itt.
        • dec. 12: A térbeli navigáció biológiai alapjai, modellek működés közben: helysejtek és gridsejtek (SZ)

        2010/11. tavasz
        • feb. 14: Biofizikai alapok: idegi ingerlékenység, nyugalmi potenciál, akciós potenciál. (Ujfalussy Balázs) Jegyzet és a fóliák az egysejtmodellek című órához.
        • feb. 21: Idegi jelfeldolgozás 1.: integráció időben, az idegsejt mint dinamikai rendszer. Fázistér, attraktorok, bifurkációk fóliák itt és itt (Somogyvári Zoltán)
        • feb. 28: Idegi jelfeldolgozás 2.: térbeli integráció, kábelegyenlet (SZ)
        • marc. 7.: Ablakok az agyra: kísérleti módszerek (SZ) fóliák itt.
        • marc. 14., 21.: Információ-kódolás az idegrendszerben. Az idegsejtek tüzelési mintázatai, sztochasztikus modellek. Független vagy korrelációs kód. Kódfejtés. (UB) Az előadás fóliái megtalálhatóak itt és itt.
        • marc. 28.: Tanulás az idegrendszerben: supervised, unsupervised és reinforcement learning. Hebb-szabály, delta-szabály, perceptron. (Bányai Mihály, fóliák itt.)
        • apr. 4.: Memóriamodellek: rövid- és hosszútávú, Hopfield-hálózat, Boltzmann-gép (slideok itt). Oszcillációk: keletkezésük és funkciójuk (slideok itt). (BM)
        • apr. 11., 18.: Idegrendszeri betegségek (Szalisznyó Krisztina) A betegségekhez kapcsolódó fóliák megtalálhatóak itt, itt és még itt is. Az órához kapcsolódi cikkek: Rolls et al., 2008; Grillner et al, 2005, Frank et al., 2007, és még Allene et al., 2008 is.
        • apr. 25.: Húsvéthétfő
        • maj. 2.: Generatív modellek: amikor az agy épít modellt a külvilágról. vázlat (UB)
        • maj. 9.: A térbeli navigáció biológiai alapjai: modellek működés közben: helysejtek és gridsejtek. navigációs (SZ)
        Egy példa vizsgasor-részlet található itt és itt is.
        2009/10. őszA 2009/10-as tanév I. félévében az idegrendszeri modellezés órát tömbösítve, négy alkalommal tartottuk a KFKI Kampuszon. A kurzus tematikája itt található.
        Általános anyagokKorábbi előadásaink összegyűjtött fóliái (18 Mb)Egyik évben ezekből a cikkekből lehetett választani a hallgatóknak önálló feldolgozásra: