htw saar Piktogramm QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code

Neuronale und kognitive Systeme

(Modul inaktiv seit 28.11.2013)

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Neuronale und kognitive Systeme
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Biomedizinische Technik, Master, ASPO 01.04.2011
Code: BMT822
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
3V+2P (5 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
5
Studiensemester: 8
Pflichtfach: ja
Arbeitssprache:
Englisch
Prüfungsart:
Projektarbeit (50%), mündliche Prüfung (50%)

[letzte Änderung 26.01.2010]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

BMT822 Biomedizinische Technik, Master, ASPO 01.04.2011 , 8. Semester, Pflichtfach, Modul inaktiv seit 28.11.2013
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 75 Veranstaltungsstunden (= 56.25 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 93.75 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
BMT922 Neuronale Signalanalyse und Modellierung
BMT924 Klinische Neurophysiologie
BMT925 Auditive Verarbeitung und Wahrnehmung


[letzte Änderung 28.11.2013]
Modulverantwortung:
Prof. Dr. Dr. Daniel Strauß
Dozent/innen:
Prof. Dr. Dr. Daniel Strauß


[letzte Änderung 28.11.2013]
Lernziele:
Die Studierenden haben Einblicke in die Abbildung und Imitation von Hirnfunktionen und neuronaler Verarbeitung durch computerbasierte bzw. mathematische Modelle erhalten. Sie kennen sowohl die erforderlichen Grundlagen der Neurobiologie als auch eine Reihe von  Methoden aus dem Bereich der Neuroinformatik, Neuro-Systeme, des maschinellen Lernens, der kognitiven Psychologie und der Lerntheorie. Sie sind befähigt, neuronale und kognitive Systeme durch Modelle abzubilden. Sie besitzen damit das theoretische Fundament für viele weitere Veranstaltungen in der Vertiefung "Neural Engineering".

[letzte Änderung 26.01.2010]
Inhalt:
1. Historische Betrachtungen
 1.1 Geschichte der Neurowissenschaften
 1.2 Geschichte der Lerntheorie
 1.3 Grundlagen der kognitiven Psychologie
 
2. Grundlagen der Neurophyiologie
 2.1 Cytologie und Biophysik der Neuronen
 2.2 Hodgkin-Huxley Modell
 2.3 Synaptische Transmissionen
 
3. Modelle für das Lernen
 3.1 Lernen mit und ohne Unterweisung, Reinforcement Learning
 3.2 Konditionierung
 3.3 Hebbsche Lerntheorie
 3.4 Kapazitäts- und Ressourcentheorie
 
4. Neuronale Modellierung
 4.1 Einzelne computerbasierte Neuronen
 4.2 Neuronale Darstellungen und Transformationen
 4.3 Feed-forward und rekursive künstliche neuronale Netze
 
5. Statische Lerntheorie und Kern-Maschinen
 5.1 VC und Fat-Shattering-Dimension
 5.3 strukturelle Risikominimierung
 5.4 Kern-Maschinen
 5.5 Anwendungen in der Medizin
 
6. Lernen mit Unterweisung als Funktionsapproximation
 6.1 Inverses Problem des Lernens
 6.3 RKHS-Regularisierung
 
7. Sensorische Verarbeitung
7.1 Exogene und endogene Verarbeitung
7.2 Top-Down Projektionen
7.3 Unimodale und Kreuzmodale Betrachtungen
 
8. Aufmerksamkeitsmodelle
 8.1 Exogene und endogene Aufmerksamkeit
 8.2 Selektionsmodelle
 8.3 Neurobiologie der Aufmerksamkeit
 
9. Neuronale Kybernetik
 9.1 Arbeitsgedächtnis
 9.2 Motorische Kontrollschleifen
 9.3 Modelle verschiedene Hirnareale
 
10. Aktuelle Trends der Neuroinformatik

[letzte Änderung 26.01.2010]
Literatur:
Z. W. Hall "Introduction to Molecular Neurobiology", Sinauer Associates Incorporated, 1992
J. Malmivuo und R. Plonsey "Bioelectromagnetism", Oxford University Press, 1999
M. Abeles "Corticonics: Neural Circuits of the Cerebral Cortex", Cambridge University Press, 1991
M. F. Bear, B. W. Connors und  M. A. Paradiso "Neuroscience", Lippincott Williams and Wilkins, 2001
MG. L. Fain und G. L. Fan "Molecular and Cellular Physiology of Neurons", Harvard University Press, 1999
B. Alberts, D. Bray und J. Lewis "Molecular Biology of the Cell", Garland Science, 2002
D. S. Levine "Introduction to Neural and Cognitive Modeling", Lawrence Erlbaum Associates, 2000
P. S. Churchland and T. J. Sejnowski "The Computational Brain", MIT Press, 1992
P. Dayan and L.F. Abbott "Theoretical Neuroscience", MIT Press, 2001
C. Eliasmith and Ch. H. Anderson "Neural Engineering", MIT Press, 2003
Ch. Koch "Biophysics of Computation", Oxford University Press, 1999
V. N. Vapnik "Statistical Learning Theory", John Wiley & Sons, 1998
B. Schölkopf and A. J. Smola "Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond", MIT Press, 2002
R. Fletcher "Practical Methods of Optimization" John Wiley & Sons, 1987
B. D. Ripley "Pattern Recognition and Neural Networks", Cambridge University Press, 1996
G. Wahba "Spline Models for Observational Data" SIAM, 1990

[letzte Änderung 26.01.2010]
 
[Wed Dec  4 20:28:12 CET 2024, CKEY=bnuks, BKEY=bmtm, CID=BMT822, LANGUAGE=de, DATE=04.12.2024]