Αναλυτική Περιγραφή Μαθημάτων

 

ΝΕΥΡΟΑΙΣΘΗΤΙΚΗ ΚΑΙ ΝΕΥΡΟΦΑΙΝΟΜΕΝΟΛΟΓΙΑTop of the page

 

Υπεύθυνος Μαθήματος

Φ. Βασιλείου

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6 (30)

Αναλυτικό Πρόγραμμα:

1. Επισκόπηση των βασικών θέσεων της Νευροαισθητικής: Η μεταφυσική της κλασικής Νευροαισθητικής και οι πρόσφατες εξελίξεις

 2. Σχέση φιλοσοφίας και νευροεπιστήμης και η ανάγκη για φιλοσοφική θεμελίωση του νευροαισθητικού προγράμματος

 3. Η κλασική φαινομενολογική κριτική στον νατουραλισμό και η οδός προς έναν μη-αναγωγικό νατουραλισμό

 4. Στοιχεία από τη φαινομενολογία της αποβλεπτικότητας, της υποκειμενικότητας, και της αυτοσυνειδησίας

 5. Η ενδρασιακή (enactive) και η ενσώματη (embodied) προσέγγιση για τον νου: διαφορετικές εκδοχές

 6. Η αυτοποιητική προσέγγιση για τη ζωή: αναδυτισμός

 7. Οργανισμός, έμβιο σώμα, βιόκοσμος

 8. Φυσικές δομές και νομολογικότητα, έμβιες δομές και κανονιστικότητα: αυτο-ρύθμιση, αισθητηριο-κινητική ζεύξη, διυποκειμενική αλληλόδραση

 9. Η φαινομενολογία της αισθητικής εμπειρίας και το ζήτημα της γνωσιακής διαπερατότητας

 10. Αισθητική εμπειρία και φαινομενολογία των συναισθημάτων

 

 

Διδάσκων:

Φ. Βασιλείου

 

ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ (ΤΝΔ)Top of the page

Υπεύθυνος Μαθήματος:

Γ. Αθανασίου

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

12 (60)

Αναλυτικό Πρόγραμμα:

1. Στοιχεια της δομης του Κεντρικου Νευρικου Συστηματος

2. Κατανεμημενες καταστασεις μνημης

3. Στοχαστικα νευρωνια

4. Τεχνητα Νευρωνικα Δικτυα (απλα Perceptrons)

5. Perceptrons με πολλα επιπεδα- Εφαρμογες

6. Αρχιτεκτονικη ΤΝΔ και γενικευση

7. Εξελιγμενες τεχνικες εκμαθησης σε κατανεμημενες μνημες

8. Συνδιαστικη βελτιστοποιηση

9. Εκμαθηση ανευ διδασκαλου

10. Στατιστικη Φυσικη και Spin Glasses

11. Το ΤΝΔ του Hopfield

12. Ο φασικος χωρος αλληλεπιδρασεων των ΤΝΔ-Εφαρμογες

Διδάσκων:

Γ. Αθανασίου

 

ΑΝΑΛΥΣΗ ΚΑΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΔΙΚΤΥΩΝ ΤΟΥ ΕΓΚΕΦΑΛΟΥTop of the page

Υπεύθυνος Μαθήματος:

Μαρία Παπαδοπούλη

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6 (30)

Αναλυτικό Πρόγραμμα:

Στόχος

Να εισαγάγει τους φοιτητές στη βασική βιολογία του νεοφλοιού του εγκεφάλου και να παρουσιάσει τη λειτουργική δικτυακή αρχιτεκτονική του.

Περιεχόμενο

Για την καλύτερη παρουσίαση και κατανόηση των βασικών θεμάτων, το μάθημα θα επικεντρωθεί στον πρωτοταγή οπτικό φλοιό του ποντικιού. Στο πρώτο μέρος του μαθήματος θα γίνει ανασκοπήση των βασικών αρχών της οργάνωσης του εγκεφάλου, της νευροφυσιολογίας και της βιοφυσικής των διεγερτικών κυττάρων, της συναπτικής μετάδοσης, της ανατομίας του δικτύου και της φυσιολογίας, καθώς και των κανονικών κυκλωμάτων στο νεοφλοιό του ποντικού. Στη συνέχεια θα επικεντρωθεί στους πολυ-νευρωνικούς υπολογισμούς. Το δεύτερο μέρος θα παρουσιαστούν έννοιες και μεθοδολογίες από τη θεωρία γράφων και τη στατιστική ανάλυση, για την ανάλυση και μοντελοποίση των δικτύων του εγκεφάλου. Στο τρίτο μέρος του μαθήματος, θα συζητηθούν πειραματικές μέθοδοι για την εποπτεία και συλλογή μετρήσεων, για παράδειγμα χρησιμοποιώντας 2 photon imaging, optogenetics, path clamping in vivo, in vitro. Ένα σημαντικό μέρος του μαθήματος θα είναι ο σχεδιασμός, η συζήτηση, και η υλοποίηση projects. Την τελευταία εβδομάδα οι φοιτητές θα παρουσιάσουν το project τους.

Διδάσκων:

Μαρία Παπαδοπούλη, Στέλιος Σμυρνάκης

 

ΑΡΧΕΣ ΜΟΝΤΕΛΟΠΟΙΗΣΗΣ ΝΕΥΡΙΚΩΝ ΚΥΚΛΩΜΑΤΩΝ Top of the page

Υπεύθυνος Μαθήματος:

Π. Ποϊράζη

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6 (25)

Αναλυτικό Πρόγραμμα:

Στόχος

Οι φοιτητές θα αποκτήσουν τις παρακάτω ικανότητες:

1. Επισκόπηση των διαφόρων πεδίων των Υπολογιστικών Νευροεπιστημών

2. Κατανόηση της πολυπλοκότητας της λειτουργίας του εγκεφάλου που κυμαίνεται σε όλα τα υπο-πεδία

3. Γνώση των αλληλεπιδράσεων μεταξύ των μαθηματικών μεθόδων / μοντέλων και του επιπέδου που μοντελοποιείται (σύναψη, νευρώνας, δίκτυο νευρώνων κλπ.)

4. Πρόσβαση στα διαφορετικά επίπεδα μοντελοποίησης στις Υπολογιστικές Νευροεπιστήμες

Περιεχόμενο

1. Εισαγωγή σε μεθόδους μοντελοποίησης νευρικών κυκλωμάτων

2. Φροντιστήριο

3. Μοντέλα πυροδότησης με δυναμικά ενεργείας (Spiking models)

4. Φροντιστήριο

5. Φροντιστήριο

6. Συνδέσεις μεταξύ νευρωνικών κυττάρων

7. Οι εξισώσεις των Hodgkin-Huxley και Βιοφυσικά μοντέλα

8. Φροντιστήριο

9. Συναπτική πλαστικότητα (LTP, LTD)

10. Φροντιστήριο

Διδάσκων:

Π. Ποϊράζη και συνεργάτες

 

ΒΑΣΙΚΕΣ ΑΡΧΕΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΟΣ ΚΑΙ ΕΦΑΡΜΟΓΕΣ ΣΤΗΝ ΑΝΑΛΥΣΗ ΔΙΑΚΡΙΤΩΝ ΚΑΙ ΣΥΝΕΧΩΝ ΝΕΥΡΩΝΙΚΩΝ ΣΗΜΑΤΩΝTop of the page

Υπεύθυνος Μαθήματος:

Παναγιώτης Σαπουντζής

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6 (30)

Αναλυτικό Πρόγραμμα:

Στόχος του μαθήματος είναι να εισάγει τους φοιτητές στις βασικές αρχές και μεθόδους της επεξεργασίας σήματος καθώς και να τους βοηθήσει να εξοικειωθούν με την υλοποίηση των μεθόδων αυτών σε υπολογιστικό περιβάλλον. Θα δοθεί έμφαση σε έννοιες και τεχνικές που χρησιμοποιούνται συχνότερα στις νευροεπιστήμες. Τέτοιες μέθοδοι αφορούν την ανάλυση διακριτών (π.χ. δυναμικά ενέργειας) και συνεχών νευρωνικών σημάτων (π.χ. ΕΕGs, LFPs), τεχνικές μελέτης του νευρωνικού συγχρονισμού όπως η συσχέτιση (correlation) και η συνάφεια (coherence), όπως και υπολογιστικές μέθοδοι εκτίμησης αιτιακών αλληλεπιδράσεων (causality testing). Στα πλαίσια της πρακτικής υλοποίησης οι φοιτητές θα κληθούν να αναλύσουν ηλεκτροφυσιολογικά σήματα στον υπολογιστή κάνοντας χρήση του υπολογιστικού πακέτου MATLAB

Διδάσκων:

Παναγιώτης Σαπουντζής

 

ΜΟΡΙΑΚΗ ΚΥΤΤΑΡΙΚΗ ΝΕΥΡΟΕΝΔΟΚΡΙΝΟΛΟΓΙΑTop of the page

Υπεύθυνοι Μαθήματος:

Ρ. Δερμιτζάκη

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6  (30)

Αναλυτικό Πρόγραμμα:

Νευροενδοκρινολογία Stress

Φυσιολογία του άξονα του Stress

Υποδοχείς του CRH και οι ανταγωνιστές τους

Υποδοχείς της ACTH

Υποδοχείς των οπιοειδών και οι ανταγωνιστές τους

Υποδοχείς των γλυκοκορτικοειδών

Μοντέλα πειραματοζώων του stress

 

Νευροενδοκρινολογία του Ανοσοποιητικού

Αλληλεπίδραση ανοσοποιητικού-νευροενδοκρινικού συστήματος

Νευροενδοκρινής ρύθμιση της Φλεγμονής

 

Νευροενδοκρινολογία του Ύπνου

Νευροενδοκρινολογία της ενεργειακής ομοιοστασίας

Εισαγωγή

Νευροπεπτίδια της όρεξης

 

Νευροενδοκρινολογία της Αναπαραγωγής

Νευροενδοκρινής ρύθμιση του GnRH

Νευροενδοκρινής ρύθμιση των γονάδων

Νευροενδοκρινής ρύθμιση της εμβρυοπλακουντιακής

Νευροενδοκρινολογία του Κεντρικού Νευρικού Συστήματος

Νευροπεπτίδια

Νευροστεροειδή

Neurotrophic factors

Μεμβρανικοί υποδοχείς των Νευροστεροειδών

 

Διδάσκοντες:

Ρ. Δερμιτζάκη, Μ. Βενυχάκη, Α. Μαργιωρής

 

 

ΣΥΝΑΠΤΙΚΕΣ ΣΧΕΣΕΙΣ ΣΤΟ ΦΛΟΙΟTop of the page

Υπεύθυνος Μαθήματος:

Γιάννης Δαλέζιος

 

Διάρκεια

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

6 (30)

 

Αναλυτικό Πρόγραμμα:

Εισαγωγή - Μέθοδοι.

Τύποι νευρώνων. Υποδοχείς του GABA και εντοπισμός τους.

Ιοντοτροπικοί υποδοχείς του γλουταμικού και εντοπισμός τους.

Μεταβοτροπικοί υποδοχείς του γλουταμικού: από τη δομή στη λειτουργία. I. (F. Ferraguti)

Μεταβοτροπικοί υποδοχείς του γλουταμικού: από τη δομή στη λειτουργία. II.  (F. Ferraguti)

Συναπτική οργάνωση του εγκεφαλικού φλοιού: Τύποι νευρώνων, Συνδέσεις, Υποδοχείς και ο Φυσιολογικός τους ρόλος. I. (P. Somogyi)

Συναπτική οργάνωση του εγκεφαλικού φλοιού: Τύποι νευρώνων, Συνδέσεις, Υποδοχείς και ο Φυσιολογικός τους ρόλος. II. (P. Somogyi)

Λειτουργική οργάνωση των βασικών γαγγλίων. I. (J.P. Bolam)

Λειτουργική οργάνωση των βασικών γαγγλίων. II. (J.P. Bolam)

 

Διδάσκοντες:

Γιάννης Δαλέζιος ,  Peter Somogyi, J.Paul Bolam, Francesco Ferraguti

 

ΕΠΙΘΥΜΙΑ, ΑΞΙΕΣ, ΚΙΝΗΤΡΑ: ΝΕΥΡΟΦΑΙΝΟΜΕΝΟΛΟΓΙΚΗ ΠΡΟΟΠΤΙΚΗTop of the page

Υπεύθυνος Μαθήματος:

Πάνος Θεοδώρου

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

 6 (30)

 

Αναλυτικό Πρόγραμμα:

1. Το πρόβλημα: πώς διεκπεραιώνεται ένα νοήμον φέρεσθαι προς τα όντα ενός κόσμου;

2. Βασική γενεαλογία της σύλληψης του προβλήματος: αναδρομή στο Περί Ψυχής Αριστοτέλη (όρεξις, αγαθό, κίνησις).

3. Η ιδέα των κινήτρων στη νεότερη φιλοσοφική σκέψη: οι θεωρίες των Hume και Kant

4. Σύγχρονες και τρέχουσες αγγλο-αμερικάνικες θεωρίες κινήτρων.

5. Παραδοσιακή Φαινομενολογία και η ιδέα της Νευροφαινομενολογίας: από τον Husserl, τον Heidegger, και τον Merleau-Ponty στους Varela-Maturana και Thompson.

6. Μια απροσδόκητη πηγή έμπνευσης για την περαιτέρω επεξεργασία και ανάπτυξη της Νευροφαινομενολογίας: όρεξις, αξίες, και κίνητρα στο Ο Φορμαλισμός στην Ηθική (1913, 1916) και στο Η θέση του Ανθρώπου μέσα στον Κόσμο (1928) του Max Scheler

Διδάσκοντες:

Πάνος Θεοδώρου

 

Προαπαιτούμενα:

 

 

 

ΦΥΣΙΚΟΠΟΙΗΣΗ ΚΑΙ ΚΑΝΟΝΙΣΤΙΚΟΤΗΤΑTop of the page

Υπεύθυνος Μαθήματος:

Πάνος Θεοδώρου

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

 6 (30)

 

Αναλυτικό Πρόγραμμα:

Στην αυγή της νεότερης εποχής και της επιστημονικής επανάστασης ανακαλύπτεται η σκέτη υλική-σωματική φυσική πραγματικότητα και οι φυσικοί νόμοι που διέπουν κάθε διεργασία εντός της. Αυτή η νέα εμπειρία του πραγματικού οδηγεί στην αναθεώρηση της οντολογίας μας για τον άνθρωπο και για την πραγματικότητα μέσα στην οποία αυτός βρίσκεται να γνωρίζει, να αξιολογεί, και να πράττει. Εξαρχής συνειδητοποιήθηκε ότι προκύπτει το πρόβλημα που πολύ αργότερα κωδικοποιήθηκε ως, π.χ., «φυσιοκρατική πλάνη» (Moore) ή «ψυχολογισμός» (Husserl). Αυτό συνίσταται στο ότι στο έδαφος της φυσιοκρατικής οντολογίας είναι αδύνατο να θεμελιωθούν οι κανονιστικές μαθήσεις και οι κανονιστικές αρχές της πράξης. Η φυσικοεπιστημονική εμπειρία του πραγματικού αναγνωρίζει ένα είναι και ένα γίγνεσθαι που διέπονται από επαγωγικά γενικεύσιμες κανονικότητες, αλλά όχι από καθόλου ή ουσιώδεις κανονιστικότητες. Εν ολίγοις, στο πλαίσιο της νεότερης επιστημονικής εμπειρίας του πραγματικού, αναδύθηκε το πρόβλημα του αν και πώς μπορεί πλέον να θεμελιώνεται η θεωρητική και πρακτική κανονιστικότητα σε ένα φυσιοκρατικό σύμπαν. Τα τελευταία χρόνια το παλιό πρόβλημα έχει γνωρίσει μια επαναδιατύπωση που αφορά αυτό που και στη φαινομενολογική και στην αναλυτική φιλοσοφία του νου θεωρήθηκε κατ’ εξοχήν γνώρισμα της ανθρώπινης συνείδησης, δηλαδή αυτό που επικράτησε να ονομάζουμε αποβλεπτικότητα. Στο πλαίσιο του σεμιναρίου θα εξετάσουμε το αντι-φυσιοκρατικό επιχείρημα του Husserl στα Προλεγόμενα (1900) και στη Φιλοσοφία ως Αυστηρή Επιστήμη (1911). Κατόπιν, θα επιχειρήσουμε να εξετάσουμε τη βασιμότητα των επιχειρημάτων ορισμένων θεωρητικών της πιο πρόσφατης γενιάς φαινομενολόγων ότι το αντι-φυσιοκρατικό επιχείρημα του Husserl μπορεί να ξεπεραστεί. Τέλος, σε περίπτωση που τα επιχειρήματα των τελευταίων δεν ευσταθούν, θα δούμε αν μπορούμε να αναζητήσουμε μια εναλλακτική οδό ανακάλυψης μιας νέας φυσιοκρατικής οντολογικής βάσης για τη θεώρηση του ανθρώπου, ικανή να μας επιτρέψει να θεμελιώσουμε επαρκώς τη θεωρητική και κυρίως την πρακτική κανονιστικότητα. Θα εξετάσουμε την περίπτωση μια επαρκής φυσιοκρατική βάση που επιτρέπει την εμφάνιση κανονιστικότητας να είναι το τελολογικά θεωρημένο έμβιο ον και ειδικά ο άνθρωπος ως αναστοχαζόμενο θηλαστικό.

Διδάσκοντες:

Πάνος Θεοδώρου

 

Προαπαιτούμενα:

 

 

 

ΝΕΥΡΟΨΥΧΟΛΟΓΙΚΗ ΑΞΙΟΛΟΓΗΣΗTop of the page

Υπεύθυνος Μαθήματος:

Παναγιώτης Σίμος

ECTS (ώρες διδασκαλίας):

9 (45)

 

 

 

Αναλυτικό Πρόγραμμα:

Καλύπτονται οι βασικές αρχές ψυχομετρικής θεωρίας που είναι απαραίτητες για την κατανόηση της εφαρμογής ειδικών δοκιμασιών αξιολόγησης λειτουργιών του λόγου, της μνήμης, καθώς και εκτελεστικών λειτουργιών.

Το μάθημα συνοδεύεται από εκπαίδευση στη χορήγηση δοκιμασιών που χρησιμοποιούνται συχνά στην εκτίμηση ελλειμμάτων σχετιζόμενων με νευρολογικές νόσους και βλάβες.

Διδάσκων:

Παναγιώτης Σίμος

 

Προαπαιτούμενα:

Κλινική Νευροανατομία, Εγκέφαλος και γνωσιακές Λειτουργίες

 

 

ΟΦΘΑΛΜΟΚΙΝΗΤΙΚΟ ΣΥΣΤΗΜΑTop of the page

Υπεύθυνος Μαθήματος:

Α. Μοσχοβακης

 

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

9  (45)

 

Αναλυτικό Πρόγραμμα:

Κινήσεις των ματιών.

Κινητικοί νευρώνες.

Προκινητικοί νευρώνες. Ι. Νευρωνικός ολοκληρωτής.

Προκινητικοί νευρώνες. ΙΙ. Γεννήτρια ριπών.

Δομή και λειτουργία του πρόσθιου διδύμιου.

Αιθουσαίος έλεγχος της μετατόπισης του βλέμματος.

Παρεγκεφαλιδικός  έλεγχος της μετατόπισης του βλέμματος.

Ελεγχος της μετατόπισης του βλέμματος απο τα βασικά γάγγλια.

Οφθαλμοκινητικός φλοιός. Ι. Μετωπιαία οφθαλμικά πεδία.

Οφθαλμοκινητικός φλοιός. ΙΙ. Επικουρικά μετωπιαία οφθαλμικά πεδία.

Οφθαλμοκινητικός φλοιός. ΙΙΙ. Οπίσθια οφθαλμικά πεδία.

Νευρωνικός έλεγχος αργών οφθαλμικών κινήσεων

Συνδιασμένες κινήσεις οφθαλμών και κεφαλής.

Πλαστικότητα του οφθαλμοκινητικου συστηματος.

Προσομοιωσεις του οφθαλμοκινητικου συστηματος.

 

 

Διδάσκων:

Α. Μοσχοβάκης

 

Προαπαιτούμενα:

Θεωρία Σημάτων-Συστημάτων

 

 

ΥΠΟΛΟΓΙΣΤΙΚΗ ΟΡΑΣΗTop of the page

Υπεύθυνος Μαθήματος:

Αντώνης Αργυρός

 

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

12  (60)

 

Αναλυτικό Πρόγραμμα:

Στόχος του μαθήματος είναι η λεπτομερής εξέταση μεθόδων υπολογιστικής όρασης που αποσκοπούν στην παραγωγή μιας ρεαλιστικής ερμηνείας του κόσμου μέσω της ανάλυσης μίας ή περισσοτέρων εικόνων ή βίντεο. Το μάθημα καλύπτει μέρος των θεμάτων της περιοχής ειδίκευσης “Υπολογιστική Όραση και Ρομποτική”. Πιο συγκεκριμένα, το μάθημα εστιάζει στην μελέτη αλγορίθμων για την περιγραφή του περιεχομένου της εικόνας, την εκτίμηση παραμετρικών μοντέλων, την εκτίμηση της τρισδιάστατης δομής και κίνησης του κόσμου, καθώς και θέματα ανίχνευσης, παρακολούθησης και αναγνώρισης αντικειμένων και δραστηριοτήτων. Η έμφαση στο μάθημα δίνεται κυρίως στην μελέτη και την ανάλυση της τρισδιάστατης πληροφορίας που αφορά στη δομή του κόσμου και στα δυναμικά χαρακτηριστικά του. Στόχος του μαθήματος είναι οι φοιτητές να εξοικειωθούν με τις συγκεκριμένες τεχνικές, να είναι σε θέση να τις υλοποιούν και να τις χρησιμοποιούν ως συστατικά ευρύτερων συστημάτων υπολογιστικής όρασης καθώς και να είναι σε θέση να παρακολουθούν την βιβλιογραφία στο χώρο της υπολογιστικής όρασης.

 

 

Θεματολογία

1. Εισαγωγή στην υπολογιστική όραση

2. Επισκόπηση θεμάτων πρόσληψης και επεξεργασίας εικόνων (δειγματοληψία, κβαντοποίηση, αντίληψη χρώματος, φίλτρα εξομάλυνσης, παραγώγισης)

3. Επισκόπηση θεμάτων ανάλυσης εικόνων (ανίχνευση αιχμών, τμηματοποίηση)

4. Αναπαράσταση, ανάλυση και σύνθεση υφής

5. Ανίχνευση σημείων ενδιαφέροντος (Harris corner detector)

6. Ανίχνευση περιοχών ενδιαφέροντος (blobs)

7. Περιγραφές σημείων ενδιαφέροντος (The scale Invariant Feature Transform – SIFT)

8. Μετασχηματισμός Hough

9. Μέθοδοι εκτίμησης παραμετρικών μοντέλων (μέθοδος ελαχίστων τετραγώνων)

10. Μέθοδοι εύρωστης εκτίμησης παραμέτρων (LMedS, RANSAC)

11. Ευθυγράμμιση μοντέλων-εικόνων βάση χαρακτηριστικών

12. Μοντέλα καμερών και φακών, προβολική γεωμετρία

13. Βαθμονόμηση καμερών

14. Επιπολική γεωμετρία

15. Στερεοσκοπία: To πρόβλημα της αντιστοίχισης και 3Δ ανακατασκευή

16. Ογκομετρική 3Δ ανακατασκευή από πολλαπλές κάμερες

17. Εκτίμηση δισδιάστατης κίνησης (κάθετη οπτική ροή, οπτική ροή)

18. Μοντελοποίηση τρισδιάστατης κίνησης (πεδίο κίνησης, ιδία κίνηση)

19. Παρακολούθηση γραμμικών δυναμικών μοντέλων

20. Παρακολούθηση με φίλτρα σωματιδίων (particle filtering)

21. Ανίχνευση αντικειμένων (ανθρώπινο σώμα, πρόσωπο)

22. Αναγνώριση αντικειμένων

23. Αναγνώριση κατηγοριών αντικειμένων

24. Αναγνώριση δραστηριοτήτων

 

 

Προτεινόμενη Βιβλιογραφία

Rick Szeliski, “Computer Vision: Algorithms and Applications”

David Forsyth, Jean Ponce, “Computer Vision: a modern approach”

Gonzalez and Woods, Digital Image Processing, 4th Ed., Pearson, 2018

 

Συναφή Επιστημονικά Περιοδικά

International Journal of Computer Vision

Computer Vision and Image Understanding

Image and Vision Computing

IEEE Transactions on Pattern Analysis and Machine Intelligence

 

Συναφή Επιστημονικά Συνέδρια

ΙΕΕΕ Computer Vision and Pattern Recognition (CVPR)

ΙΕΕΕ International Conference on Computer Vision (ICCV)

European Conference on Computer Vision (ECCV)

British Machine Vision Conference (BMVC)

Asian Conference on Computer Vision (ACCV)

 

Διδάσκων:

Αντώνης Αργυρός

 

 

 

ΕΓΚΕΦΑΛΙΚΟΣ ΦΛΟΙΟΣ ΚΑΙ ΓΝΩΣΙΑΚΕΣ ΛΕΙΤΟΥΡΓΙΕΣTop of the page

Υπεύθυνοι Μαθήματος:

Γ. Γρηγορίου, Β. Ράος, Ε. Σαββάκη

 

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

9  (45)

 

Αναλυτικό Πρόγραμμα:

1. Πρωτοταγής και Δευτεροταγής Οπτικός φλοιός. Λειτουργικές ιδιότητες νευρώνων και τοπογραφική οργάνωση.

2. Μέση κροταφική περιοχή (ΜΤ). Μεθοδολογικές προσεγγίσεις για τη διερεύνηση της σχέσης νευρωνικής λειτουργίας - συμπεριφοράς

3. Οπτική περιοχή V4.

4. Κάτω κροταφικός φλοιός (ΙΤ). Κωδικοποίηση πολύπλοκων ερεθισμάτων στον εγκέφαλο

5. Από τις βασικές ιδιότητες των οπτικών κυττάρων στην οπτική ενσυνείδηση.

6. Πρόσθια οφθαλμικά πεδία (FEF) και πλάγια ενδοβρεγματική περιοχή (LIP).

7. Νευρωνικοί μηχανισμοί οπτικής προσοχής.

8. Εγκεφαλικά κυκλώματα οπτικο-κινητικής συμπεριφοράς σε πιθήκους: κοιλιακή προκινητική περιοχή F5 - προσθια ενδοβρεγματική περιοχή AIP.

9. Εγκεφαλικά κυκλώματα οπτικο-κινητικής συμπεριφοράς σε πιθήκους: κοιλιακή προκινητική περιοχή F5 - πρωτοταγής κινητικός φλοιός.

10. Εγκεφαλικά κυκλώματα οπτικο-κινητικής συμπεριφοράς σε πιθήκους: κοιλιακή προκινητική περιοχή F4 - κοιλιακή ενδοβρεγματική περιοχή VIP.

11. Νευρώνες κάτοπτρα.

12. Εγκεφαλικά κυκλώματα οπτικο-κινητικής συμπεριφοράς σε πιθήκους: ραχιαία προκινητική περιοχή F2 - περιοχή V6A.

13. Εγκεφαλικά κυκλώματα οπτικο-κινητικής συμπεριφοράς σε πιθήκους.

14. (i) Ανατομία και φυσιολογία προμετωπιαίου φλοιού. (ii) Επικοινωνία

15. Πώς αντιλαμβανόμαστε τις ενέργειες των άλλων. Συνείδηση.

 

Διδάσκοντες:

Γ. Γρηγορίου, Β. Ράος, Ε. Σαββάκη

 

Προαπαιτούμενα:

Λειτουργική Νευροανατομία

 

ΚΥΤΤΑΡΙΚΟΙ ΜΗΧΑΝΙΣΜΟΙ ΜΝΗΜΗΣ ΚΑΙ ΜΑΘΗΣΗΣTop of the page

Υπεύθυνος Μαθήματος:

Κ. Σιδηροπούλου

 

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

6  (30)

 

Αναλυτικό Πρόγραμμα:

Συμπεριφορικές δοκιμές μνήμης και μάθησης στα τρωκτικά.

Κυτταρικό υπόβαθρο της μνήμης: μακρόχρονη ενδυνάμωση και παραμένουσα δραστηριότητα

Συναπτικοί μηχανισμοί της μακρόχρονης ενδυνάμωσης: NMDA, AMPA, και μεταβοτροπικοί υποδοχείς του γλουταμινικού οξέος.

Άλλοι βιοφυσικοί μηχανισμοί που εμπλέκονται στη μακρόχρονη ενδυνάμωση και μνήμη

Βιοφυσικοί μηχανισμοί της παραμένουσας δραστηριότητας: υποδοχέας NMDA και το ιοντικό ρεύμα CAN.

Κυτταρο-ειδική ρύθμιση της νευρωνικής δραστηριότητας in vivo: Επίδραση στις διαδικασίες μάθησης και μνήμης.

Επίδραση των μαθησιακών εμπειριών σε βιοφυσικούς μηχανισμούς των νευρώνων.

Διδάσκοντες:

Κ. Σιδηροπούλου

 

 

ΕΠΙΚΟΙΝΩΝΙΑ ΑΝΘΡΩΠΟΥ - ΜΗΧΑΝΗΣTop of the page

Υπεύθυνος Μαθήματος:

Κωνσταντίνος Στεφανίδης

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

12 (60)

Αναλυτικό Πρόγραμμα:

Το μάθημα "Επικοινωνία Ανθρώπου-Υπολογιστή" αποσκοπεί στην παροχή του θεωρητικού υπόβαθρου καθώς και των πρακτικών γνώσεων που απαιτούνται για τη σχεδίαση, υλοποίηση και αξιολόγηση διεπαφών.

Γενική επισκόπηση της Επιστήμης που εξετάζει τα θέματα και συναφή φαινόμενα αλληλεπίδρασης Ανθρώπου-Υπολογιστή.

•Ο άνθρωπος, ο υπολογιστής και η μεταξύ τους αλληλεπίδραση.

•Δίαυλοι εισόδου και εξόδου. Γνωστικά πλαίσια, νόηση, αναπαράσταση και μνήμη.

•Κύκλος ανάπτυξης της διεπαφής διαλογικών (διαδραστικών) εφαρμογών. Διαχωρισμός της διεπαφής από τον πυρήνα της εφαρμογής. Αρχές, κανόνες και πρότυπα ανθρωποκεντρικής σχεδίασης. Ανάλυση επιμέρους διεργασιών (καθηκόντων). Εργονομία, ανθρώπινοι παράγοντες και ευχρηστία διεπαφών.

  Χρήση οδηγιών, συστάσεων, προτύπων και οδηγών σχεδίασης.

•Βασικές έννοιες της υλοποίησης διεπαφών. Βοήθεια και καθοδήγηση του χρήστη. Τεκμηρίωση. Εισαγωγή στην αξιολόγηση διεπαφών. Διεπαφές προσβάσιμες από διάφορες κατηγορίες χρηστών, συμπεριλαμβανομένων των ατόμων με αναπηρίες ή άλλες ειδικές ανάγκες. Ανάπτυξη διεπαφών για εφαρμογές και υπηρεσίες στον Παγκόσμιο Ιστό (WWW).

  Σύγχρονες τάσεις και προσεγγίσεις στην Επικοινωνία Ανθρώπου-Υπολογιστή στα πλαίσια της Κοινωνίας της Πληροφορίας.

Διδάσκοντες:

Κωνσταντίνος Στεφανίδης

Προαπαιτούμενα:

 

 

 

ΑΥΤΟΝΟΜΗ ΡΟΜΠΟΤΙΚΗ ΠΛΟΗΓΗΣΗTop of the page

Υπεύθυνος Μαθήματος:

Πάνος Τραχανιάς

 

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

12  (60)

 

Αναλυτικό Πρόγραμμα:

Στόχος του μαθήματος είναι η παρουσίαση και μελέτη των μηχανισμών με τους οποίους ένα ρομποτικό σύστημα μπορεί να αποκτήσει αντίληψη του περιβάλλοντός του και να την χρησιμοποιήσει για να πλοηγηθεί αυτόνομα σε αυτό. Στα πλαίσια αυτά παρουσιάζονται και μελετούνται θέματα όπως, τύποι και αρχές λειτουργίας αισθητήρων, χαρτογράφηση χώρων, αυτογνωσία θέσης (localization), σχεδίαση μονοπατιού, ανίχνευση και αποφυγή εμποδίων, ορόσημα και τοπολογική πλοήγηση. Το μάθημα περιλαμβάνει μελέτη και εκπόνηση εκτενούς προγραμματιστικής εργασίας που βασίζεται σε μια σύγχρονη επιστημονική δημοσίευση.

 

Διδάσκων:

Πάνος Τραχανιάς

 

 

ΒΙΟΜΙΜΗΤΙΚΗ ΡΟΜΠΟΤΙΚΗTop of the page

Υπεύθυνος Μαθήματος:

Δ. Τσακίρης

 

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

12  (60)

 

Αναλυτικό Πρόγραμμα:

Αντικείμενο του μαθήματος είναι η μελέτη της μηχανικής συμπεριφοράς και του ελέγχου της κίνησης σύνθετων ρομποτικών συστημάτων, εμπνευσμένων από τη βιολογία. Σχετικά παραδείγματα είναι ρομποτικά συστήματα που προσομοιάζουν την κυματοειδή μετακίνηση (undulatory locomotion) των ερπετών, συστήματα ενεργού αντίληψης (active perception) εμπνευσμένα από το ανθρώπινο οφθαλμοκινητικό σύστημα, ρομποτικά συστήματα εμπνευσμένα από το σύστημα ελέγχου της πτήσης ορισμένων εντόμων, που βασίζεται σε οπτική πληροφορία κίνησης (visual motion).

Το μάθημα θα αντλήσει υλικό από την υπολογιστική νευροηθολογία και τις υπολογιστικές νευροεπιστήμες γιά να μελετήσει προβλήματα βιομιμητικού ρομποτικού ελέγχου και την μοντελλοποίηση βιολογικών συστημάτων ελέγχου κίνησης. Πιό συγκεκριμένα, θα μελετηθούν θέματα σχετικά με:

την κινηματική και την δυναμική των ρομποτικών συστημάτων,

τον έλεγχο ρομποτικών συστημάτων, με έμφαση σε γραμμικό και μη-γραμμικό έλεγχο, σε έλεγχο βασισμένο σε αισθητηριακή πληροφορία (sensor-based control), σε διαδικασίες μάθησης (learning), καθώς και σε αναδραστικές συμπεριφορές (behavior-based control),

τους βιολογικούς μηχανισμούς ελέγχου της κίνησης, όπως τα νευρωνικά δίκτυα που είναι υπεύθυνα γιά την γέννεση ρυθμικών κινήσεων (central pattern generators) σε βιολογικά συστήματα.

 

Διδάσκων:

Δ. Τσακίρης

 

 

ΦΙΛΟΣΟΦΙΑ ΤΗΣ ΕΠΙΣΤΗΜΗΣTop of the page

Υπεύθυνη Μαθήματος:

Σταυρούλα Τσινόρεμα

 

Διάρκεια:

1 εξάμηνο

 

ECTS (ώρες διδασκαλίας):

6  (30)

 

Αναλυτικό Πρόγραμμα:

Υποδείγματα επιστημονικής εξήγησης (νομολογικό παραγωγικό, τελεολογικό, στατιστικό, ιστορικό/γενετικό συναγωγή στην καλύτερη εξήγηση κ.λ.π.) 

 

Ο χαρακτήρας των επιστημονικών νόμων

 

Θεωρίες I: Η γλωσσική προσέγγιση - κύκλος της Βιέννης

 

Θεωρίες II: Μοντέλα, Αναλογίες και η σημασιολογική προσέγγιση

 

Το κύρος της επιστημονικής γνώσης.

Eννοιολογική συνοχή και λογική συνέπεια.

Ο ρόλος της εμπειρίας.  Επιβεβαιωσιμότητα και διαψευσιμότητα.

Το πρόβλημα της επαγωγής.

• Σχέσεις θεωρίας και παρατήρησης

Πραγματολογική αξιοπιστία: το «σώζειν τα φαινόμενα», πρόβλεψη και εργαλειακή επιτυχία.

 

Το πρόβλημα της θεωρητικής επιλογής . Σχέσεις μεταξύ επιστημονικών θεωριών. Η  αλληλομεταφρασιμότητα των θεωρητικών γλωσσών.  Αναγωγισμός και αυτονομία των επιστημονικών κλάδων.

 

 Το οντολογικό υπόβαθρο των επιστημονικών θεωριών: Ρεαλισμός και αντιρεαλισμός. Εμπειρισμός, συμβατισμός, κονστρουκτιβισμοί, κριτικές ορθολογικές και διαλεκτικές προσεγγίσεις.

 

Η ιστορικότητα της επιστήμης. Το πρόβλημα της επιστημονικής εξέλιξης: Συσσωρευτική ή «επαναστατική» η επιστημονική αλλαγή;

 

Θεωρία και μέθοδος στις Νευροεπιστήμες

 

Φιλοσοφικά θεμέλια των Νευροεπιστημών

 

Διδάσκοντες:

Σταυρούλα Τσινόρεμα

 

Προαπαιτούμενα:

Εισαγωγή στην Φιλοσοφία της Επιστήμης και Εισαγωγή στην Φιλοσοφία της Γλώσσας

 

 

 

ΕΙΣΑΓΩΓΗ ΣΤΗ ΜΟΡΙΑΚΗ ΝΕΥΡΟΒΙΟΛΟΓΙΑTop of the page

Υπεύθυνος Μαθήματος:

Ι. Χαραλαμπόπουλος

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6 (30)

Αναλυτικό Πρόγραμμα:

Εισαγωγή στην Νευροβιολογία: Νευροαναγέννηση και Νευροεκφύλιση.

Κυτταρική επικοινωνία στον νευρικό ιστό: κύριοι υποδοχείς-ρυθμιστές της ανάπτυξης και της επιβίωσης των νευρικών κυττάρων.

Ενδοκυτταρική σηματοδότηση των νευρικών κυττάρων και σύνδεση με συμπεριφορικές, κινητικές ή νοητικές διαταραχές.

Μόρια συνάφειας κι ο ρόλος τους στην ανάπτυξη των νευρικών ινών.

Υποστηρικτική κυτταρική σύνδεση: αστροκύτταρα, ολιγοδενδροκύτταρα, κύτταρα Schwann και μικρογλοία.

Νευρικά Βλαστικά Κύτταρα.

Νευροαναγέννηση κι επαναμυελίνωση στον ενήλικο εγκέφαλο.

Αλληλεπίδραση Νευρικού-Ανοσοποιητικού Συστήματος.

Ενδο-, παρα- κι αυτό-κρινείς δράσεις ορμονικών μορίων ως διαμεσολαβητές της κυτταρικής αναγέννησης.

Μελέτες δομής-λειτουργίας των υποδοχέων στην μοριακή Νευροβιολογία.

Φαρμακολογικές προσεγγίσεις για Νευροαναγέννηση κι επιδιόρθωση του Νευρικού Ιστού.

Διδάσκων:

Ι. Χαραλαμπόπουλος

Προαπαιτούμενα:

Βασικές Νευροεπιστήμες

 

 

 

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΚΟΙΝΩΝΙΚΗ ΑΝΘΡΩΠΟΛΟΓΙΑTop of the page

Υπεύθυνος Μαθήματος:

Γεώργιος Νικολακάκης

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6 (30)

Αναλυτικό Πρόγραμμα:

Ιστορία της Κοινωνικής Ανθρωπολογίας

Κλάδοι και αντικείμενα έρευνας

Ανθρωπολογία και Κοινωνικές Επιστήμες

Πρωτόγονες και σύγχρονες κοινωνίες

Βασικές έννοιες της επιστήμης και της μεθόδου

Ποιοτικές και ποσοτικές μέθοδοι στην Ανθρωπολογία

Η επιτόπια παρατήρηση ως έρευνα

Ερμηνευτικές προσεγγίσεις των θεσμών και των πεδίων

Επιλεγμένα αναλυτικά παραδείγματα

Προσεγγίσεις των συμβολικών συστημάτων

Διδάσκων:

Γεώργιος Νικολακάκης

 

ΑΝΘΡΩΠΟΛΟΓΙΑ ΤΩΝ ΣΥΜΒΟΛΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝTop of the page

Υπεύθυνος Μαθήματος:

Γεώργιος Νικολακάκης

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

9 (45)

Αναλυτικό Πρόγραμμα:

Η έννοια του συμβολικού συστήματος

Αντικείμενο, εικόνα, σύμβολο, σημείο

Η συμβολική ανταλλαγή

Έννοια και προσεγγίσεις του δώρου στις "παραδοσιακές" και τις σύγχρονες κοινωνίες

Γλώσσα, σκέψη και πρωτόγονα συστήματα ταξινόμησης

Αναλυτικά παραδείγματα συμβολικών συστημάτων

Προσεγγίσεις του πολιτικού

Προσεγγίσεις του θρησκευτικού

Προσεγγίσεις του οικονομικού

Συναρθρώσεις και συσχετίσεις των συμβολικών συστημάτων

Διδάσκοντες:

Γεώργιος Νικολακάκης

Προαπαιτούμενα:

Εισαγωγή στην Κοινωνική Ανθρωπολογία

 

ΕΞΕΛΙΣΣΟΜΕΝΑ ΝΟΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑTop of the page

Υπεύθυνος Μαθήματος:

Μ. Μανιαδάκης

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6 (30)

Αναλυτικό Πρόγραμμα:

Το μάθημα έχει σαν στόχο την παρουσίαση των βασικών μεθόδου σχεδιασμού τεχνιτών νοητικών συστημάτων με χρήση εξελικτικών αλγορίθμων. Έμφαση θα δοθεί (i) στους τρόπους αξιοποίησης των μελετών του εγκεφάλου και των ευρημάτων τους, (ii) στην ανάπτυξη ρεαλιστικών υποθέσεων για πιθανούς μηχανισμούς στην λειτουργία του εγκεφάλου. Εν συντομία, το μάθημα θα καλύψει τα παρακάτω θέματα:

• Παρουσίαση του σχεδιασμού νοητικών συστημάτων σαν πρόβλημα βελτιστοποίησης.

• Οι αλγόριθμοι τεχνητής εξέλιξης, και τα πλεονεκτήματα/μειονεκτήματα τους σε σχέση με άλλες μεθόδους βελτιστοποίησης.

• Διαφορετικές προσεγγίσεις στην κωδικοποίηση λύσεων.

• Η αξιολόγηση των λύσεων και η επαναληπτική διαδικασία εξέλιξης.

• Εξειδικευμένοι τελεστές αναπαραγωγής. Κατηγορίες εξελικτικών αλγορίθμων.

• Επίτευξη πολλαπλών στόχων κατά το σχεδιασμό.

• Εξέλιξη αναπτυσσόμενων συστημάτων.

• Παράλληλοι εξελικτικοί αλγόριθμοι.

• Μέθοδοι ανταγωνιστικής εξέλιξης.

• Μέθοδοι συνεργατικής εξέλιξης

Διδάσκων:

Μ. Μανιαδάκης

Προαπαιτούμενα:

Βασικές γνώσεις προγραμματισμού

 

ΘΕΜΕΛΙΑ ΚΑΙ ΕΝΟΠΟΙΗΜΕΝΕΣ ΘΕΩΡΙΕΣ ΝΟΗΜΟΝΩΝ ΣΥΣΤΗΜΑΤΩΝ Top of the page

Υπεύθυνος Μαθήματος:

Πέτρος Α. Μ. Τζελεπίδης

Διάρκεια:

1 εξάμηνο (4 ώρες/εβδομάδα για 15 εβδομάδες)

ECTS (ώρες διδασκαλίας):

6 (32)

Αναλυτικό Πρόγραμμα:

Ο σκοπός του μαθήματος είναι να προσφέρει μια ολοκληρωμένη, διεπιστημονική θεώρηση των θεμελίων επι των οποίων στηρίζεται η μελέτη των νοημόνων συστημάτων. Με την ολοκλήρωση του μαθήματος αναμένεται ότι οι φοιτητές θα έχουν εμβαθύνει στα κυριώτερα ερευνητικά ερωτήματα στα θεμέλια των επιστημών του εγκεφάλου και νου. Θεμέλια και Ενοποιημένες Θεωρίες Νοημόνων Συστημάτων: Παραδείγματα, βασικές έννοιες, εργαλεία. Θεμελιώδεις αρχές και υποθέσεις του υπολογιστικού παραδείγματος στη μελέτη του εγκεφάλου και νου. Προτεινόμενες, εναλλακτικές προσεγγίσεις. Ανοικτά θέματα. Αρχιτεκτονική του νου: Μνήμη και εννοιολογικός χώρος, πειραματικά ευρήματα και θεωρίες. Βήματα προς μία θεωρία για τη σημασιολογική δομή του ανθρώπινου εγκεφάλου. Αναπαράσταση και σκέψη: Υπολογιστικές και νευροφυσιολογικές προσεγγίσεις. Κατανόηση και επικοινωνία: Οι θεμελιώδεις μηχανισμοί λειτουργίας και δόμησης του ανθρώπινου εγκεφάλου και νου. Υπολογιστικά συστήματα αναπαράστασης γνώσης: Φιλοσοφικά, νευροφυσιολογικά, και υπολογιστικά ζητήματα. Η ανθρώπινη γλώσσα σαν εργαλείο και γνωσιοσύστημα. Μηχανισμός επίκτησης γνώσης. Παραδείγματα μηχανικής μάθησης και δημιουργικότητας. Ανθρώπινα και ρομποτικά συναισθήματα: Θεωρίες, προβλήματα, και μηχανισμοί. Θεωρίες και μηχανισμοί αλληλεπίδρασης λογικής και συναισθημάτων. Συγκριτική εξέταση θεωριών συνείδησης: φιλοσοφικές, νευροφυσιολογικές, υπολογιστικές, ψυχολογικές. Σύνθεση θεωριών στην βάση των μηχανισμών κατανόησης και επικοινωνίας. Συγκριτική παρουσίαση ενοποιημένων θεωριών: Ψυχολογικές, υπολογιστικές, νευροφυσιολογικές. Μία νέα, αξιωματική θεωρία νοημόνων συστημάτων: Συνέπειες για τις επιστήμες του εγκεφάλου και νου.

Διδάσκων:

Πέτρος Α. Μ. Τζελεπίδης

 

 

ΛΕΙΤΟΥΡΓΙΚΗ ΑΝΑΛΥΣΗ ΕΓΚΕΦΑΛΙΚΩΝ ΔΙΚΤΥΩΝ ΜΕ ΒΑΣΗ ΤΟ ΗΛΕΚΤΡΟΕΓΚΕΦΑΛΟΓΡΑΦΗΜΑ/ ΜΑΓΝΗΤΟΕΓΚΕΦΑΛΟΓΡΑΦΗΜΑ (EEG/ MEG) Top of the page

Υπεύθυνος Μαθήματος:

Β. Σακκαλής

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

6 (30)

Αναλυτικό Πρόγραμμα:

Τεχνικές Λειτουργικής Απεικόνισης, Αρχές λειτουργίας και ανάλυσης του EEG/ MEG, Τεχνικές ανάλυσης: Cross-correlation & Coherence, Short time Fourier Transform Coherence, Wavelet Coherence, Phase Synchronization, Deterministic Chaos, Nonlinear interdependence measures, Surrogate time series analysis, Χαρτογράφηση εγκεφάλου, Οπτική αναπαράσταση εγκεφαλικών δικτύων και ανάλυση με τη βοήθεια γράφων, Τεχνικές Εντοπισμού Πηγών

Διδάσκων:

Β. Σακκαλής

 

ΒΑΣΙΚΕΣ ΑΡΧΕΣ ΛΕΙΤΟΥΡΓΙΚΗΣ ΑΠΕΙΚΟΝΙΣΗΣ ΤΩΝ ΜΗΧΑΝΙΣΜΩΝ ΤΟΥ ΕΚΕΦΑΛΟΥ: ΕΦΑΡΜΟΓΕΣ ΣΕ ΔΕΔΟΜΕΝΑ fMRITop of the page

Υπεύθυνος Μαθήματος:

Παναγιώτης Σίμος

Διάρκεια:

1 εξάμηνο

ECTS (ώρες διδασκαλίας):

9 (40 ώρες)

Αναλυτικό Πρόγραμμα:

1.Βασικές αρχές λειτουργικής απεικόνισης του εγκεφάλου

2.Στοιχεία ακτινοφυσικής-εφαρμογή στη λειτουργική μαγνητική απεικόνιση

3.Ειδικές τεχνικές ανάλυσης δεδομένων fMRI

4.Εφαρμογές λειτουργικής απεικόνισης στις γλωσσικές λειτουργίες-Αρχές-Σχεδιασμός

5.Λειτουργίες της μνήμης-εγκεφαλικοί μηχανισμοί-σχεδιασμός πειραμάτων

6. Εφαρμογές λειτουργικής απεικόνισης στις γλωσσικές λειτουργίες-Κριτική προσέγγιση

7.Εργαστήριο ανάλυσης δεδομένων fMRI-προεπεξεργασία δεδομένων (single-subject)

8.Εργαστήριο ανάλυσης δεδομένων fMRI-στατιστικές μέθοδοι (single-subject)

9.Εργαστήριο ανάλυσης δεδομένων fMRI-Έλεγχος υποθέσεων (group-level)

10.Εργαστήριο ανάλυσης δεδομένων fMRI-Αναλύσεις λειτουργικής συνδεσιμότητας (CONN)

11.Εφαρμογές λειτουργικής απεικόνισης στη μνήμη

12. Εφαρμογές λειτουργικής απεικόνισης στους μηχανισμούς για τις συγκινήσεις

13.Ανασκόπηση συμβολής της λειτουργικής απεικόνισης στη μελέτη του εγκεφάλου

Διδάσκοντες:

Ε. Ορφανίδου, Π. Σίμος, Θ. Μαρης, Ε. Καβρουλάκης, 

 

ΑΛΓΟΡΙΘΜΟΙ ΣΤΗΝ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ Top of the page

Course Masters
I. Tollis, I. Tsamardinos
Duration
1 εξάμηνο
ECTS (ώρες διδασκαλίας):
9 (45)
Αναλυτικό Πρόγραμμα:
Στόχοι:
 
 
 
Περιεχόμενο:
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Προτεινόμενη Βιβλιογραφία:
 
 
Διδακτική μεθοδολογία:
 
 
 
 
Βαθμολογία:
 
Γλώσσα:
 
• Εισαγωγή στο είδος αλγοριθμικών προβλημάτων και τεχνικών που είναι ευρύτατα διαδεδομένα στο πεδίο της βιοπληροφορικής
• Εξοικείωση των φοιτητών με την ανάλυση βιολογικών δεδομένων και μετρήσεων προκειμένου να παραχθεί νέα γνώση 
 
Το μάθημα ξεκινά με μια εισαγωγή στις θεμελιώδεις έννοιες της μοριακής βιολογίας και τη μορφή που λαμβάνουν τα δεδομένα της βιολογίας, όπως οι μικροσυστοιχίες γονιδιακής έκφρασης, οι δοκιμασίες πολυμορφισμού μεμονωμένων νουκλεοτιδίων, κλπ. Η εισαγωγή είναι προσανατολισμένη στις ανάγκες φοιτητών πληροφορικής χωρίς πρότερη έκθεση σε μοριακή βιολογία.
Ακολούθως οι φοιτητές εκτίθενται σε μια ποικιλία αλγορίθμων που χρησιμοποιούνται στη πληροφορική, όπως:
• Θεμελιώδεις μέθοδοι στατιστικής (έλεγχος υποθέσεων) και μέθοδοι ανακάλυψης βιοιχνοθετών. Εφαρμογή στην ανακάλυψη διαφορικής έκφρασης γονιδίων.
• Θεμελιώδεις μέθοδοι βελτιστοποίησης βιοϊατρικών δικτύων και γράφων (μεταβολικά δίκτυα, δίκτυα αλληλεπίδρασης γονιδίων, δίκτυα αλληλεπίδρασης RNA/DNA).
• Τοπικό και σφαιρικό ταίριασμα αλληλουχιών χρησιμοποιώντας δυναμικό προγραμματισμό και εφαρμογές στην βελτιστοποίηση της δομής DNA.
• Σύγχρονες μέθοδοι ταξινόμησης και εφαρμογές μικροσυστοιχιών γονιδιακής έκφρασης στην διάγνωση και πρόγνωση ασθενειών.
• Θεμελιώδεις και σύγχρονοι αλγόριθμοι ομαδοποίησης και εφαρμογές στην ανάλυση βιολογικών δεδομένων και την ταυτοποίηση υποτύπων νόσων.
• Ανάλυση αλληλουχιών βασισμένων σε Hidden Markov Models και εφαρμογές σε βιολογικές αλληλουχίες.
 
Ποικιλία βιβλιων και άρθρων δημοσιευμένων σε επιστημονικά περιοδικά. Οι διαλέξεις εν μέρει παρακολουθούν το βιβλιο "An Introduction to Bioinformatics Algorithms" των Neil C. Jones and Pavel A. Pevzner.
 
Θα δίνονται δύο διαλέξεις την εβδομάδα αφιερωμένες στο κύριο θέμα του μαθήματος. Μια φορά τη βδομάδα θα συμπληρώνονται από φροντιστήρια που επικεντρώνονται σε λεπτομέρειες της ύλης που καλύφθηκε στη διάρκεια της εβδομάδας και στην επίλυση επιλεγμένων ασκήσεων. Μια ή δύο φορές την εβδομάδα κατά τη διάρκεια του μαθήματος, θα δίνονται ασκήσεις που περιλαμβάνουν ένα θεωρητικό αλλά και ένα πρακτικό (προγραμματιστικό) μέρος. Ο προγραμματισμός θα γίνεται κυρίως σε περιβάλλον Matlab.
Ο τελικός βαθμός προκύπτει συνυπολογίζοντας την επίδοση στις εξετάσεις εξαμήνου και στις ασκήσεις κατά τη διάρκεια του μαθήματος σε αναλογία 70, 30.
Ελληνικά η Αγγλικά ανάλογα με το ακροατήριο. Αγγλόφωνοι φοιτητές είναι ευπρόσδεκτοι.
Διδάσκοντες:
 I. Tollis, I. Tsamardinos
Προαπαιτούμενα:
CS-380, CS-217, MΑΘ-105

 

MACHINE LEARNINGTop of the page

Course Master
I. Tsamardinos
Duration
1 semester
ECTS (credit hours)
12 (60)
Course outline:
 
Objectives of the course (preferably expressed in terms of learning outcomes and competences):
• To provide an introduction to the type of problems addressed in the field of Machine Learning, the relation with other related fields, and familiarize the students with the major ideas, theoretical results, techniques, algorithms, and methods of the field
• To teach the programming of simple Machine Learning algorithms
• To enable the student to perform simple, yet effective and methodologically sound data analysis, provide prognostic models, perform variable selection, tune the algorithm parameters, and provide reliable prediction performance estimates
• To enable the student to assess the basic theoretical and practical advantages and disadvantages of a learning algorithm
• To familiarize the student with general methods for casting problems as Machine Learning problems and general methods for representing the data appropriately
 
Course contents:
a) Basic statistical methods employed in Machine Learning, such as simple hypothesis testing b) Basic learning algorithms for supervised learning, such as Bayesian Classifiers, Decision Trees, Feed-Forward Neural Networks, k-Nearest Neighbors, and Support Vector Machines. c) Metrics of performance, such as accuracy and the Area Under the Receiving Operating Characteristic curve d) Methods of estimating performance and optimization of parameter values, such as cross-validation and nested cross-validation e) Issues of data cleaning and representation f) More advanced methods : variable selection techniques (e.g., Univariate Association Filtering, Recursive Feature Elimination, Wrapping search, Bayesian Network-based variable selection), and Causal Discovery methods g) Selected examples of application of Machine Learning methods h) Overview of other learning problems and paradigms (unsupervised methods, clustering, relational learning, learning with timed data, active learning, etc.)
 
Recommended reading: Reading material is selected among and provided by different books and papers in the scientific literature. The books mostly influencing the class are: a) Machine Learning, by Tom Mitchell and b) The Elements of Statistical Learning: Data Mining, Inference, and Prediction , by Trevor Hastie, Robert Tibshirani, Jerome Friedman
 
Teaching methods: There are two weekly lectures that teach the main material of the course. These are supported by recitations taught weekly that delve into selected details of each week's material and go through the solutions to a selected list of exercises. In the course, there are weekly or biweekly exercises that contain a theoretical and a practical (programming) part. Programming is performed in the Matlab programming environment. During the third part of the course, the students are requested to complete a project; the topic is selected and agreed with the instructor.
 
Assessment methods:
The final grade is a linear function of the grades of the final exam, the midterm exam, the assignments, and the project with weights 30, 20, 20, 30.
Language of instruction:
The language is Greek or English depending on the audience. English speaking students are welcome.
Instructors:
I. Tsamardinos
Prerequisites:
CS-150, CS-217, CS-380

 

INTRODUCTION TO ARTIFICIAL INTELLIGENCETop of the page

Course Master
I. Tsamardinos
Duration
1 semester
ECTS (credit hours):
9 (45)
Course outline:
 
Objectives of the course (preferably expressed in terms of learning outcomes and competences):
• to provide an introduction to the theory, practice and philosophy of Artificial Intelligence (AI) as a field
• to study in depth several basic and fundamental algorithmic techniques of AI, particularly techniques that are widely used in other fields too
• to familiarize the students with some of the basic programming tools of the field and other programming paradigms, such as functional programming in Lisp and symbolic programming
 
Course outline:
• Introduction to the problems and history of Artificial Intelligence
• Problem solving techniques using searching, including informed and uniformed search, as well as constraint satisfaction techniques
• Logic-based agents
• Representing problems and reasoning in Propositional and First Order Logics
• Planning
• An introduction to reasoning with uncertainty, making simple decisions under uncertainty
 
Recommended reading:
Artificial Intelligence: A Modern Approach, by S. Russell and P. Norvig
 
Teaching methods:
There are two weekly lectures that teach the main material of the course. These are supported by recitations taught at most once a week that delve into selected details of each week's material and go through the solutions to a selected list of exercises. In the course, there are weekly or biweekly exercises that contain a theoretical and a practical (programming) part. Programming is performed in the Allegro Lisp programming environment.
 
Assessment methods:
The final grade is a linear function of the grades of the final exam, the midterm exam, and the assignments with weights 40, 25, 35.
 
Language of instruction:
The language is Greek or English depending on the audience. English speaking students are welcome.
Instructors:
I. Tsamardinos
Prerequisites:
CS-240, CS-180