Deep-learning architectures for analysing population neural data
| Název práce v češtině: | Architektury hlubokého učení pro analýzu populačních neaurálních dat |
|---|---|
| Název v anglickém jazyce: | Deep-learning architectures for analysing population neural data |
| Klíčová slova: | hluboké učení|výpočetní neurověda|modelování V1|biologicky inspirované architektury |
| Klíčová slova anglicky: | deep-learning|computational neuroscience|v1 modeling|bio-inspired architectures|visual computation |
| Akademický rok vypsání: | 2019/2020 |
| Typ práce: | diplomová práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra softwaru a výuky informatiky (32-KSVI) |
| Vedoucí / školitel: | Mgr. Ján Antolík, Ph.D. |
| Řešitel: | Mgr. Petr Houška - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 05.01.2020 |
| Datum zadání: | 06.02.2020 |
| Datum potvrzení stud. oddělením: | 09.11.2020 |
| Datum a čas obhajoby: | 04.02.2021 08:30 |
| Datum odevzdání elektronické podoby: | 04.01.2021 |
| Datum odevzdání tištěné podoby: | 04.01.2021 |
| Datum proběhlé obhajoby: | 04.02.2021 |
| Oponenti: | doc. Mgr. Martin Pilát, Ph.D. |
| Zásady pro vypracování |
| In this project student will develop novel deep-learning architectures based around the NDN (htps://github.com/NeuroTheoryUMD/NDN) suite of deep models, targeting population data recorded from mammalin primary visual cortex. The student will expand the library with parametrized kernel features, and subsequently testing their combination with deep architectures on neural population recordings from mouse and/or cat primary visual cortex. |
| Seznam odborné literatury |
| [1] Willmore, B. D. B., & Smyth, D. (2003). Methods for first-order kernel estimation: simple-cell receptive fields from responses to natural scenes. Network, 14(3), 553–77. Retrieved from http://www.ncbi.nlm.nih.gov/pubmed/12938771
[2] Vintch, B., Movshon, J. A., & Simoncelli, E. P. (2015). A Convolutional Subunit Model for Neuronal Responses in Macaque V1. Journal of Neuroscience, 35(44), 14829–14841. https://doi.org/10.1523/JNEUROSCI.2815-13.2015 [3] Dan A. Butts (2019). Data-driven approaches to understanding visual neuron activity. Annual Review of Vision Science, 5:451-457, [4] Antolík, J., Hofer, S. B., Bednar, J. A., & Mrsic-Flogel, T. D. (2016). Model Constrained by Visual Hierarchy Improves Prediction of Neural Responses to Natural Scenes. PLoS Computational Biology, 12(6). https://doi.org/10.1371/journal.pcbi.1004927 |