| SİNİRBİLİM (İNGİLİZCE, DOKTORA) | |||||
| Doktora | TYYÇ: 8. Düzey | QF-EHEA: 3. Düzey | EQF-LLL: 8. Düzey | ||
| Ders Kodu | Ders Adı | Yarıyıl | Teorik | Pratik | Kredi | AKTS |
| NSC6105 | Hesaplamalı Sinirbilim | Güz | 3 | 0 | 3 | 12 |
| Bu katalog bilgi amaçlıdır, dersin açılma durumu, ilgili bölüm tarafından yarıyıl başında belirlenir. |
| Öğretim Dili: | İngilizce |
| Dersin Türü: | Departmental Elective |
| Dersin Seviyesi: | LİSANSÜSTÜ |
| Dersin Veriliş Şekli: | Hibrit |
| Dersin Koordinatörü: | Doç. Dr. TİMUÇİN AVŞAR |
| Dersi Veren(ler): |
Prof. Dr. SERDAR DURDAĞI |
| Opsiyonel Program Bileşenleri: | İletişim: E-posta üzerinden, ders saatinden 24 saat önce iletişim kurabilirsiniz. Dijital Araçlar Kullanımı: Cep telefonu, tablet, dizüstü bilgisayar gibi cihazlar yalnızca ders amaçlı kullanılabilir. Ödev Teslimi: Ödevler ders saatinden bir gün önce e-posta ile gönderilmelidir. Geç teslimlerde her gün için %10 puan kesilir. Devam Zorunluluğu: Derslerin en az %70’ine katılım gereklidir. Engelli Öğrenci Desteği: Özel ihtiyaçlarınız için doğrudan öğretim üyesiyle veya Engelli Öğrenci Birimi ile iletişime geçebilirsiniz. |
| Dersin Amacı: | Bu ders, sinir sistemlerini anlamaya yönelik temel kavramları, modelleri ve hesaplamalı yöntemleri tanıtır ve sinirbilimde yapay zekâ (YZ) uygulamalarına özel vurgu yapar. Öğrenciler hem sinirsel hesaplama teorilerini hem de sinirsel verilerin analizinde ve beyin esinli algoritmaların geliştirilmesinde kullanılan YZ yaklaşımlarını keşfedeceklerdir. Konular arasında nöral kodlama, sinir ağları, beyin verilerinin analizinde makine öğrenmesi ve beyin mimarisinden ilham alan YZ modelleri bulunur. |
|
Bu dersi başarıyla tamamlayabilen öğrenciler; Dersin sonunda öğrenciler şunları yapabilecektir: • Sinirsel uyarılabilirlik, sinaptik plastisite ve nöral kodlamanın temel modellerini açıklamak • Nöron ve ağ modellerini simüle etmek (örn. Hodgkin-Huxley, bütünleştir-ateşle modeli) • Sinirsel veri setlerine makine öğrenmesi tekniklerini (denetimli, denetimsiz, derin öğrenme) uygulamak • Elektrofizyolojik ve nörogörüntüleme verilerini analiz etmek için YZ araçları kullanmak • Beyin işlevinden esinlenen YZ mimarilerini (örn. CNN’ler, dikenli sinir ağları) anlamak • Sinirbilimde YZ uygulamalarını eleştirel bir bakış açısıyla değerlendirmek • Nöral modeller ve YZ algoritmalarını entegre eden basit hesaplamalı deneyler tasarlamak |
| Dersler çevrimiçi yapılacaktır. Hem teorik dersleri hem de pratik uygulamaları içerecektir. Ders içeriği; ders anlatımları, kodlama uygulamaları ve bilimsel makale tartışmaları ile desteklenecektir. |
| Hafta | Konu | Ön Hazırlık |
| 1) | Hesaplamalı Sinirbilime ve Sinirbilimde YZ'ye Giriş | |
| 2) | Nöron Modelleri: Hodgkin-Huxley, Bütünleştir-Ateşle | |
| 3) | Nöral Kodlama: Frekans ve Zamanlama Kodlaması | |
| 4) | Sinaptik Plastisite: Hebbiyen Öğrenme, STDP | |
| 5) | Ağ Modelleri: İleri Beslemeli, Tekrarlayan Ağlar | |
| 6) | YZ Temelleri: Denetimli ve Denetimsiz Öğrenme | |
| 7) | Sinirsel Veri Analizinde YZ: Özellik Çıkarımı, Boyut Azaltma | |
| 8) | Ara Sınav (50% Teorik, 50% Uygulamalı) | |
| 9) | Sinirbilimde Derin Öğrenme: CNN, RNN, Beyin Verilerine Uygulamaları | |
| 10) | Sinir Ağlarını Yorumlama: Açıklanabilir YZ | |
| 11) | Beyin Esinli YZ: İğnecikli Sinir Ağları, Nöromorfik Hesaplama | |
| 12) | Beyin Sinyallerinin Kodları: Beyin-Bilgisayar Arayüzleri, Dekodlama | |
| 13) | Nörogörüntüleme için YZ: fMRI, EEG Veri Analizi | |
| 14) | Final Projesi Sunumları |
| Ders Notları / Kitaplar: | |
| Diğer Kaynaklar: | • Dayan, P., & Abbott, L.F. (2001). Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. MIT Press. • Gerstner, W., Kistler, W.M., Naud, R., & Paninski, L. (2014). Neuronal Dynamics: From Single Neurons to Networks and Models of Cognition. Cambridge University Press. • Glaser, J.I., Benjamin, A.S., Farhoodi, R., & Kording, K.P. (2019). The Roles of Machine Learning in Neuroscience. Nature Neuroscience, 22(10), 1760–1770. doi:10.1038/s41593-019-0468-0. |
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Devam | 1 | % 5 |
| Ödev | 1 | % 20 |
| Sunum | 1 | % 10 |
| Ara Sınavlar | 1 | % 25 |
| Final | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 60 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 40 | |
| Toplam | % 100 | |
| Aktiviteler | Aktivite Sayısı | Süre (Saat) | İş Yükü |
| Ders Saati | 14 | 3 | 42 |
| Sınıf Dışı Ders Çalışması | 14 | 3 | 42 |
| Sunum / Seminer | 1 | 3 | 3 |
| Ödevler | 1 | 3 | 3 |
| Ara Sınavlar | 1 | 3 | 3 |
| Final | 1 | 3 | 3 |
| Toplam İş Yükü | 96 | ||
| Etkisi Yok | 1 En Düşük | 2 Düşük | 3 Orta | 4 Yüksek | 5 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı | |
| 1) | Sinir sisteminin yapısal ve işlevsel özelliklerini ileri düzeyde tanımlar. | 1 |
| 2) | Nörobilim alanındaki temel ve güncel teorileri, kavramları ve yaklaşımları eleştirel olarak değerlendirir. | 3 |
| 3) | Disiplinler arası bir yaklaşımla, sinir sistemi ile ilgili sorunlara özgün araştırma soruları geliştirir. | 2 |
| 4) | Sinirbilim araştırmalarında kullanılan ileri düzey deneysel yöntem ve teknolojileri etkin biçimde uygular. | 4 |
| 5) | Bilimsel araştırma tasarlar, yürütür ve elde ettiği sonuçları istatistiksel olarak analiz eder. | 3 |
| 6) | Bilimsel verileri eleştirel biçimde değerlendirir ve yorumlar. | 3 |
| 7) | Alanındaki bilimsel gelişmeleri takip eder, literatüre katkı sağlayacak özgün çalışmalar üretir. | 3 |
| 8) | Etik ilkelere uygun biçimde bilimsel araştırma ve yayın yapar. | 3 |
| 9) | Bilimsel verileri yazılı ve sözlü olarak etkin biçimde sunar. | 2 |
| 10) | Ulusal ve uluslararası düzeyde bilimsel iş birlikleri kurar ve yürütür. | 4 |
| 11) | Bilgiyi teknolojiye dönüştürme potansiyelini kavrar ve translasyonel araştırmalarda görev alır. | 2 |
| 12) | Yaşam boyu öğrenme yaklaşımını benimser; bilimsel merak ve sorgulama becerisini sürdürür. | 3 |