Neuroinformatics, 2011-08-11

Module: 
Neuroinformatics
Examiner: 
Gordon Pipa
Assessor: 
Marta Castellano
Date: 
Thu, 2011-08-11

Vorbereitung

Ich bereitete mich hauptsächlich mit den Slides und Musterlösungen zu Neuroinformatics, Neurodynamics, Advanced Neuroinformatics und Advanced Neuroinformatics II vor. Für Neurodynamik kann ich auch sehr das Buch „Dynamical Systems in Neuroscience“ von Eugene Izhikevich empfehlen (die volle Version – bei uns wurden nur Ausschnitte hochgeladen). Das Buch liest sich sehr schön und trägt sehr zum Verständnis der in der Vorlesung teilweise nur angerissenen Themen bei. Zu Neuroinformatik habe ich leider nichts gefunden, was dem hätte gleichkommen können… die einzige weitere Quelle war hier Wikipedia.

Prüfung

Wiederholungsprüfung? nein
Note: 1.0
Bereiche nach Zeit: Neurodynamik: 20min, Neuroinformatik: 10min

Nachdem ich einen Kaffee bekam, konnte ich mir aussuchen, ob ich lieber mit Neuroinformatik oder Neurodynamik anfangen will. --> Neurodynamik

Womit haben wir bei der Modellierung von Neuronen angefangen?
- Abstraction, Single-Compartment, Hodkin-Huxley (Gleichungen aufgeschrieben, anhand von Schaltkreis erklärt, Gating Variablen, Gleichgewichtspotential, …), Izhikevich, …

Fangen wir erst mal etwas einfacher an: Was sind Fixpunkte in 1D, welche kennst du?
- V(t) gegen V‘(t) aufgetragen und Fixpunkte (Schnittpunkte mit 0) als stabil oder instabil klassifiziert
- erklärt warum V‘‘(t) < 0 ein Kriterium für stabile Fixpunkte ist

Wie sieht das Ganze in 2D aus?
- Vektor Feld, Na-p, K Modell gezeichnet (V‘ gegen K‘), Fokusse(Foki?) erklärt.

Kann man in Vector Fields die Geschwindigkeit ablesen?
- Verhältnis der Pfeillängen zu einander

Was sind Bifurkationen, gib Beispiele ?
- Erst in 1D mit saddle-node erklärt, dann in 2D Andronov-Hopf Bifurkation gezeichnet

Synchronisation: Was ist der Unterschied zwischen Phase und Lag-Synchronisation?
- Phase: Amplitude egal, Phase muss synchronisieren
- Lag: fester Phasenunterschied (~), Amplitudenmuster ähnlich

Müssen die Signale bei Lag-Synchronisation oszillieren?
- Nein (wieder was gelernt ;))

Wie kann man Signale klassifizieren, die nach einer Stimulierung nicht mehr genau auf dem limit-cycle liegen?
- Isochrons, kurz erklärt und oft das Wort „Nullcline“ an Stelle der Isochrons benutzt

Erkläre das Konzept einer Phase Response Curve ?
- Signal mit Impuls gezeichnet

Wie unterscheiden sich strikt positive und positiv&negative PRCs bei Synchronisation?
- Nur positive PRCs (vgl. Class1) können nur schneller werden -> nicht mit langsameren Oszillatoren synchronisieren, die anderen können beides

Jetzt mal etwas schwerer… wir hatten doch Hilbert Transforms, oder? Wofür benutzt man die?
- Momentane Phase (&Frequenz = Ableitung der Phase), Amplitude eines Signals bekommen

Ist ein Signal mit kurzen Peaks (z.B. ECG) oder ein ausgewogeneres Signal besser für Hilbert Transformationen?
- ECG-Analyse aus der Vorlesung gezeichnet und erklärt, dass es hier zwei Punkte gibt, um die das Signal oszilliert -> nicht eindeutig

Warum ist das so?
- Tja… ein bisschen gelabert, Pipa hat (ohne Protokoll) erklärt, dass das an den zwei verschiedenen Zeitskalen im Signal liegt.

Was kann man also dagegen tun?
- Filtern (mal so drauf los geraten, war richtig)

Okay, dann kommen wir jetzt zu Neuroinformatik:

Was ist Bayes Regel, warum brauchen wir sie?
- Hergeleitet, den Termen Namen gegeben, nützlich um p(Model|Data) zu bekommen

Was ist mit Maximum Likelihood gemeint?
- Likelihood in der Bayes-Formel gezeigt, Produkt, da i.i.d., log->Summe, -> minimize squared Error

Warum sind lineare Modelle linear / schreib doch mal eins auf?
- Linear, da weights linear und beliebige Basisfunktionen

Wenn wir jetzt die Posteriori-Wahrscheinlichkeit modellieren wollen, gibt es noch die Prior-Wahrscheinlichkeit… in wie fern ist Regularization ein Prior?
- Prior, weil es z.B. große Gewichte unwahrscheinlich macht, Regularization erklärt

Wie kann man mit Regularization ein sparse Model bekommen?
- Schöne Bildchen gemalt (q=1 -> sparse (auf Deutsch heißt das übrigens „dünnbesetzt“)), Schnitt von Error und Gewichtskosten Minimum, da beide konvex

Ich habe einen Haufen Daten, wie bestimme ich das beste Modell?
- Model selection -> 3 verschiedene Möglichkeiten:
- (k-fold/leave-one-out/-)cross-validation (überprüft Generalisierung direkt, aufwändig)
- likelihood-ratio (hauptsächlich für nested models, die Chi² verteilt sind -> statistische Möglichkeit um Aussagen über Unterschied zwischen Models zu machen)
- AIC (von KL-Divergence, wenn Erwartungswert von KL bei ML-Parametern genommen wird, bestraft viele Parameter direkt, einfach&schnell)

Persönlicher Kommmentar, Was war toll? Was war doof? Was war auffällig?

Toll: Lockere Atmosphäre, Kaffee
Doof: Prüfung wurde relativ kurzfristig verschoben (habe am Tag vor dem eigentlich angesetzten Termin einen Anruf von Frau Jungeilges bekommen)

Bewertung und Begründung:

Alle Fragen wurden richtig und ausführlich beantwortet. Auch auf die „challenging“ Fragen fand ich meistens die richtige Antwort.
„Bisher die beste mündliche Prüfung“