Neuroinformatics, 2015-12-08

Module: 
Neuroinformatics
Examiner: 
Prof. Dr. Pipa
Assessor: 
Kristoffer Appel
Date: 
Tue, 2015-12-08

FORMALIA

Modulprüfung: Neuroinformatics (2013), Neurodynamics (2015) Fachsemester:7

VORBEREITUNG

Vorbereitung mithilfe der Slides und Video Aufzeichnungen (WS13/14), Leons Skript bei Verständnisproblemen.
für Neuroinformatik: Bishop, Machine Learning und Pattern Recognition
für Neurodynamics: Izhikevich

Der Bishop hat sehr geholfen einen Zusammenhang der Themen in NI herzustellen, der Izhikevich eher bei Detail-Fragen.

Empfehlen kann ich es, sich mit Menschen zusammenzusetzen, die auch für die Prüfung lernen und Konzepte erklären und sich erklären lassen.

PRÜFUNG

Prüfungsdatum: 08.12.15
Wiederholungsprüfung? nein
Beisitzer: Kristoffer Appel
Note: 1.0
Bereiche nach Zeit: 20 min Neuroinformatik, 5 min Neurodynamics

Fragensammlung: wie lauteten die Fragen im einzelnen?

Bayes:
- Warum benutzen wir das, erzähl mir etwas darüber, benenne die Terme und schreib die Formel mit Daten und Parameter um.
- Wenn wir die Formel jetzt in dieser Form: p(w|D) haben, haben wir den Nenner p(D) umgeformt (sum und product rule); motiviere das.
--> war mir nicht klar, ein bisschen rumgeraten, zufrieden war er nach: "Wir kennen die unterliegende Funktion nicht."

ML:
- Wir haben im Kurs immer die Likelihood verwendet, kannst du die Schritte benennen.
- Die Score function ist ja die erste Ableitung. Wie kann man die zweite Ableitung benutzen?
--> Fisher Information

Regression:
- Wir haben lineare Funktionen benutzt bei denen die Basis-Funktionen nicht linear sind. Warum? Warum sind lineare Funktionen unflexibel und nicht-lineare basis Funktionen besser?
- Welche nicht linearen Basis Funktionen gibt es und welche Vor- und Nachteile haben sie?

Model fitting:
- Wobei müssen wir bei unserem Model aufpassen, gibt es einen Fehler?
--> Overfitting, bias variance
- Was kann man dagegen machen?
--> Cross validation, Liekelihood Ratio/Deviance, AIC kurz angeschnitten und jeweils Eigenschaften/Vor- und Nachteile benannt
- Kannst du mir Regularization erklären?
--> Grundprinzip, lasso und sparse model/quadratic kurz erklärt

Was mußte schriftlich gelöst werden?

- Herleitung der Bayes Rule
--> Sum und Product Rule umschreiben
- Ansonsten wurde nichts verlangt, es hat mir geholfen die ML Schritte (Likelihood->Produkt, LogL) aufzuschreiben, zum Teil Zeichnungen gemacht zb Fisher information, Regression, etc.

Neurodynamics:
- Wie haben wir ein gutes Model definiert? Was war unser Ziel?
--> biologisch gegen Abstrakt
- Erzähl mir was über 1D/2D systeme, welche Eigenschaften haben die?
--> 1D kann keine spikes modeln, da eine amplifying und eine resonante Variable benötigt wird
- Was ist der Vorteil vom Izhikevich-Model?
--> wir können alle grundlegenden spiking behavior einer Zelle modelieren (Bsp. Integrateor Resonator-> subthreshold oscillations)

Wie waren Einstieg, Ablauf, Ende, Bewertung und Begründung?
- Die Modulprüfung ist empfehlenswert, Pipa war sehr entspannt und versucht einem die Nervosität zu nehmen.

- Die Fragen sind zum Teil nicht eindeutig, dadurch hat man aber etwas Spielraum bei der Antwort.
- Nachgefragt wurde nur bei zwei Fragen, da wollte er etwas genaues wissen. Den Rest hat er so hingenommen und die Antworten zum Teil unterbrochen bevor man wirklich das Gefühl etwas erklärt zu haben.

Bewertung und Begründung:
- Es ist ihm wichtig dass man Zusammenhänge versteht und es hat ihm gefallen, dass ich eigenständig Begründungen geliefert habe und nicht nur Wissen reproduziert wurde.
- Er legt Wert darauf, dass man souverän mit den Fragen umgeht. Es ist ok wenn man kurz nachdenkt, laut überlegt etc.