DD3499 Hjärnliknande beräkning 7,5 hp

Brain-like Computing

  • Utbildningsnivå

    Forskarnivå
  • Huvudområde

  • Betygsskala

    P, F

Det finns inget planerat kurstillfälle.

Lärandemål

Efter genomförd kurs bör studenterna kunna:
• differentiera och kritiskt diskutera alternativa beräkningsparadigmer från en fysikers, matematikers och datavetares perspektiv
• kontrastera den konventionella von Neumann beräkningsarkitekturen och den neurala hårdvaran samt diskutera implikationerna av hjärnans hårdvara för informationsbehandling
• beskriva och kontrastera de viktigaste rådande hypoteserna avseende neural informationsbehandling, kodning och representation i hjärnan.
• lista viktiga beräkningsbyggblock (motiv) i den neurala infrastrukturen för informationsbehandling och förklara deras funktion i hjärnan; diskutera förhållandet struktur-funktion i ljuset av den senaste litteraturen
• förklara karaktären av flerskalig hjärnorganisation och diskutera implikationerna för studier på beräkningsaspekterna av informationsbehandling i hjärnan
• kategorisera och exemplifiera allmänna inlärningsstrategier som diskuteras inom hjärnvetenskapen (undersök de mest inflytelserika hypoteserna), analysera dem på olika nivåer av beskrivning av hjärnfunktion
• associera neurala inlärningsstrategier med specifika koncept i statistiskt inlärningsteori, förklara teoretiska begrepp och exemplifiera med inlärningsalgoritmer i maskininlärning och artificiella nätverk
• känna igen, analysera och kritiskt diskutera beräkningsaspekter, teorier, idéer som tagits upp i den utvalda neurovetenskapliga litteraturen; syntetiskt utvärdera biologiska bevis och bedöma dess relevans för utformningen av biomimetiska system
• diskutera implikationer av att använda hjärnlika system i verkligheten, ge exempel på framväxande tillämpningsområden och relatera till existerande maskininlärningslösningar
• sammanfatta aktuella trender i neuromorfhårdvara, neuralt inspirerad maskininlärning, djupa neurala nätverk.

Kursens huvudsakliga innehåll

Kursen koncentreras kring följande ämnen:
• hjärnans beräkningsinfrastruktur: fundamentala komponenter i neural hårdvara introduceras, viktiga hypoteser om neural informationskodning och prototypiska funktionella enheter diskuteras
• inlärningsmekanismer och paradigmer i neurala system
• likheter och skillnader mellan hjärnans lösningar och de mest framträdande beräkningsmetoderna för datarepresentation, featureextrahering, inferens, mönsterigenkänning, i komplexa scenarier och utmanande miljöer: kursen bygger på paralleller mellan dagens inställning till ”maskinintelligens” och visionen som erbjuds av hjärnliknande beräkningsparadigmer
• de framtida och huvudsakliga R&D-riktningarna inom området för hjärninspirerad databehandling/beräkning, de framväxande utmaningarna och tillämpningsområdena: kursen har en stark dragning åt att förstå nuvarande begränsningar och se behovet av framtida utveckling samt deras mångfacetterade implikationer.

Behörighet

Rekommenderade förkunskaper

Det rekommenderas att antingen kursen i artificial neural networks and deep architectures (DD2437) eller neuroscience (DD2401) har tagits innan.

Litteratur

Vetenskapliga artiklar och valda kapitel ur olika böcker (samtliga tillgängliga i on-line version).

Examination

  • EXA1 - Examination, 7,5, betygsskala: P, F

Krav för slutbetyg

För godkänt krävs att kursdeltagaren slutför samtliga examinationsmoments:
- deltagande i minst 80% av möten
- genomförande av en presentation och ledning av en diskussion inom ett ämne som valts baserat på tillgänglig litteratur (grupparbete)
- inlämning av skriftlig uppgift - uppsats inom utvalt ämne (grupparbete)
- författande av en peer review av vald uppsats (individuellt arbete)

Ges av

EECS/Beräkningsvetenskap och beräkningsteknik

Examinator

Pawel Herman <paherman@kth.se>

Versionsinformation

Kursplan gäller från och med VT2017.
Examinationsinformation gäller från och med VT2019.