Statistical Learning in the Nervous System

(in Hungarian, Statisztikai tanulás az idegrendszerben)

Spring semester, 2019/20

The course is listed at the following universities:

  • Eötvös University (ELTE), Neptun code: mv2n9044
  • Technical University (BME), in masters programmes with code BMETE47MC39; in PhD programmes with code BMETE47D119
  • Pázmány University (PPKE), students can take credits to the class offered by ELTE by accrediting the course after completion
  • we welcome everyone else with personalized administrative procedures if needed

Lecturers: Gergő Orbán
Time: Mondays, 4:15 pm – 5:45 pm
Location: ELTE TTK, Északi Tömb, 0.89 (földszint), Jedlik terem

The course aims to cover a few topics in the functional description of the nervous system with special focus on statistical methods. Efficient methods for learning about visual data are described and the ways the nervous system implements these computations are also discussed. Materials of the course from previous years can be accessed here. Background reading for all lectures is listed here.

List of exam topics, homework scores

Vizsgaalkalmak

Irásbeli vizsgák discordon zajlanak.

  • Május 27., 10 óra, discord
  • Június 10., 10 óra, discord

ALERT. On-line óra

Az egyetemi kontakt órák limitálása miatt ay órákat online tartom.

Mivel a 16-i hét tavaszi szünetnek minősül, ezért az első óra 23-n lesz

Ehhez platformot a discord alkalmazás jelent, mely különálló appban és böngészőben is elérhető. A csatlakozáshoz hozzá kell adni az ismerősökhöz gergoorban#8059 felhasználót. Az óra a kepler-69c csatornán lesz elérhető. Ha technikai segítség kell, akkor a szokásos email címen az oktató elérhető.

UPDATE @2020/03/23: Tábla az órához itt érhető el.

Kódolási gyakorlat

A kódolás python notebookban végezhető el. A kódok részletes instrukciókat tartalmaznak, nem a kódolási készségek fejlesztése (se nem ezek felmérése) a célja, hanem kódolás segítségével kíván bepillantást adni az órán tárgyalt eszközök használatába. A python notebook a saját gépen is futtatható amennyiben python rendelkezésre áll (open source szoftver), de még egyszerűbb a google colab szolgáltatását használni

A két gyakorlat:

A korábbi házi feladatok egy PDF-be összeszedve (Május 4-i frissítés)

Introduction. Computational approach, perception as inference, representation, coding, why probabilities?  -17 Feb
  • Slides  (updated on 20 Feb 2020 with up-to-date material)
  • Illusion of the year website
Knowledge representation. Formal systems, logic, probability theory – 24 Feb
(2 March — NO LECTURE, SORRY)
Probabilistic models. Probability calculus – 9 Mar
Probabilistic models 2. Graphical models, Bayesian inference, approximate inference – 23 Mar
  • Slides (updated on 4 May 2020)
Bayesian behaviour – 30 Mar
Approximate inference, Sampling. MCMC – 13 Apr
Computer lab, implementation of Bayesian inference problems — omitted this year
Sampling in cognition – 20 Apr
  • Slides (updated on 20 April 2020)
Representing and measuring mental priors – 27 Apr
  • Slides (updated 27 April 2020)

Readling:

Bayesian modelling of vision I. PCA, the Olshausen & Field model,  Modelling correlations of filters, GSM – 4 May
  • Slides (updated on 22 May 2020)

Reading:

Bayesian modelling of vision II. Complex models of natural images, hierarchical models – (we will skip this topic this year)

Reading:

Neural representation of probabilities. PPC, sampling hypothesis – 11 May
  • Slides (updated on 11 May 2020)

Reading:

Structure learning. Learning theory, automatic Occam’s razor, visual chunk learning – 18 May
  • Slides (updated on 18 May, 2020)
Decision making and reinforcement learning – (skipped this year)

Computational Neuroscience

(in Hungarian, Idegrendszeri modellezés)

Neptun: kv2n9o46
Fall semester, yearly.
Lecturers: Gergő Orbán, Balázs Ujfalussy and Zoltán Somogyvári.
Course material can be found at http://cneuro.rmki.kfki.hu/education/neuromodel

The course focuses on basic principles of computational neuroscience: the biophysics of neurons; action potential generation, transduction, and transmission; simple networks of neurons, and their modifications by learning; and the ways the nervous system encodes and decodes information about the environment and about the body.