Schriftlicher Bericht und kumulative mündliche Prüfung

In den letzten Jahren wurden die experimentellen Methoden zur Aufzeichnung der Gehirnaktivität revolutioniert. Da die Komplexität der in den Neurowissenschaften gewonnenen Daten zunimmt, wird die neuronale Datenanalyse immer wichtiger: Die komplexen mehrdimensionalen Signale, die z.B. mit Multielektroden-Arrays oder Zwei-Photonen-Bildgebung aufgezeichnet werden, können nicht mehr mit dem Auge interpretiert werden, sondern es werden rigorose Datenanalysetechniken benötigt. In diesem Kurs werden wir eine Auswahl von Themen im Zusammenhang mit der Analyse verschiedener Arten von neuronalen Daten auf der Grundlage von Konzepten des maschinellen Lernens behandeln: Zeitreihenanalyse, Spike-Sortierung, spike-getriggerter Durchschnitt/Kovarianz, Dimensionalitätsreduktionstechniken und Informationstheorie. Der Schwerpunkt liegt auf der Anwendung modernster Konzepte in der praktischen Datenanalyse von realen Datensätzen.

(1) In diesem Kurs erwerben die Studierenden Kenntnisse über grundlegende und fortgeschrittene Techniken, die für die Analyse von diskreten (Spike Trains) und kontinuierlichen (zelluläre Spannungs-/Kalziumsignale, LFP, EEG) neuronalen Signalen erforderlich sind.
(2) Die Studierenden implementieren wichtige Techniken (Filterung, MoG, STA, etc.) und evaluieren sie an künstlichen und realen Daten.
(3) Die Studierenden lernen, wie sie mit realen neuronalen Daten arbeiten und die damit verbundenen Herausforderungen bewältigen können.

Emery N Brown, Robert E Kass, und Partha P Mitra, „Multiple neural spike
train data analysis: state-of-the-art and future challenges“, Nat Neurosci 7, Nr.
5 (Mai 2004): 456-461.
Robert E. Kass, Valérie Ventura, und Emery N. Brown, „Statistical Issues in
the Analysis of Neuronal Data“, Journal of Neurophysiology 94, Nr. 1 (Juli 1,
2005): 8 -25.
Dayan and Abbott: Theoretical Neuroscience. MIT Press.
Rieke, Warland, Ruyter van Stevenik and Bialek: Spikes – Exploring the neural
code. MIT Press.