:‫שם ומספר הקורס‬

27-431-01 ‫גישות חישוביות‬

‫ ד"ר אדם זיידל‬:‫מרצה‬

)‫ (שיעור‬:‫סוג הקורס‬
hours 2 :‫היקף שעות‬ ‫ב‬ :‫ תשפ"א סמסטר‬:‫שנת לימודים‬
:‫אתר הקורס באינטרנט‬

:)‫ מטרות ספציפיות‬/ ‫ מטרות הקורס (מטרות על‬.‫א‬

In this course, students will learn basic machine learning approaches
and how they can be applied to solve brain related problems. The
students will learn about machine learning, and general concepts in
the field such as: cost functions, regularization and kernels with a
specific emphasis on how to apply them to brain research (e.g. using
support vector machines and Bayesian models).
)‫ נושאים‬,‫ (רציונל‬:‫ תוכן הקורס‬.‫ב‬

)‫ מרצים אורחים‬,‫ שימוש בטכנולוגיה‬,‫ (שיטות ההוראה‬:‫מהלך השיעורים‬

Frontal lectures using slides and the board

:‫תכנית הוראה מפורטת לכל השיעורים‬

1. Introduction to machine learning I: supervised and unsupervised, regression

and classification
2. Introduction to machine learning II: cost function, gradient descend
3. Regularization
4. Support vector machines – basics
5. Support vector machines – kernels
6. Support vector machines – application in neuroscience
7. Dimensionality reduction
8. Bayesian models – introduction
9. Bayesian models – inference 1
10. Bayesian models – inference 2
11. Markov
12. Drift diffusion
13. Summary
:‫ חובות הקורס‬.‫ג‬

:‫דרישות קדם‬
or 89-570 or 27-436 -86-302

:‫ מטלות‬/ ‫ דרישות‬/ ‫חובות‬

Home assignments, includes programming assignments
Final exam
 :)‫מרכיבי הציון הסופי (ציון מספרי‬
Final exam: 60%
Home assignments: 40%
A student must pass the exam with a grade of 60 or more to pass the course.

)‫רשות‬/‫ (חובה‬:‫ ביבליוגרפיה‬.‫ד‬

:‫) וספרי עזר נוספים‬textbooks( ‫ספרי הלימוד‬

Pattern Recognition and Machine Learning, Christopher M. Bishop 

Theoretical Neuroscience, P. Dayan and L.F. Abbot

Fundamentals of Computational Neuroscience, Thomas Trappenberg

Bayesian modeling of perception, Wei Ji Ma, Konrad Kording, Daniel

Goldreich