<div dir="ltr"><div class="gmail-adn gmail-ads" style="border-left:none;padding:0px;display:flex;font-family:"Google Sans",Roboto,RobotoDraft,Helvetica,Arial,sans-serif;font-size:medium"><div class="gmail-gs" style="margin:0px;padding:0px 0px 20px;width:864px"><div class="gmail-"><div id="gmail-:tj" class="gmail-ii gmail-gt" style="direction:ltr;margin:8px 0px 0px;padding:0px;font-size:0.875rem"><div id="gmail-:tk" class="gmail-a3s gmail-aiL" style="font-variant-numeric:normal;font-variant-east-asian:normal;font-stretch:normal;font-size:small;line-height:1.5;font-family:Arial,Helvetica,sans-serif;overflow:hidden"><div dir="ltr"><div><div><div dir="auto"><b>Jueves 24 de noviembre a las 14hs</b></div><div dir="auto">Coloquio del Departamento de Física - Exactas - UBA</div><div dir="auto"><b>Aula Federman </b>- Primer Piso - Pabellón 1 - Ciudad Universitaria - CABA</div><div dir="auto"><i>(Recuerden traer su propia taza para el café)</i></div></div><b></b></div><div><b><br></b></div><b>Machine Learning aplicado al Modelado en Neurociencia: ¿Y la dinámica, bien gracias?</b><br><div><i>Rodrigo Echeveste - Universidad Nacional del Litoral</i></div><div>El modelado en neurociencia computacional con herramientas del aprendizaje automático es un área de fuerte crecimiento reciente y de mutuo beneficio para ambas disciplinas. Una de las ideas centrales detrás de este enfoque es que optimizando redes neuronales artificiales con el objetivo de realizar tareas relevantes para el cerebro, es posible encontrar modelos que imiten distintos aspectos del procesamiento cortical. Las redes neuronales convolucionales profundas, se inspiraron originalmente en el procesamiento sensorial humano, y son en la actualidad los mejores predictores de las respuestas promedio de neuronas en múltiples áreas de la corteza cerebral. Sin embargo, estas arquitecturas no están diseñadas para representar fielmente la incerteza de sus predicciones, lo cual es central en el contexto de la percepción, donde la información que recibimos de nuestros sentidos es siempre ruidosa e incompleta. Por otro lado, estos modelos carecen de dinámica y no capturan la enorme variabilidad de las respuestas corticales, tanto en el tiempo como ante presentaciones sucesivas del mismo estímulo que se observa en el cerebro.<br>En esta charla haremos primero una breve reseña del uso de redes convolucionales como herramientas de modelado en neurociencia, para luego enfocarnos en modelos que utilicen conexiones recurrentes para poder ir más allá de las respuestas medias, y lograr capturar aspectos dinámicos de las respuestas corticales. Además mostraremos un ejemplo de cómo este tipo de modelos puede usarse para tender puentes entre fisiología y percepción, no solamente en la población neurotípica sino también en personas del espectro autista.<br></div></div></div></div></div></div></div></div>