Premeeting Courses

In recent years, we have seen how Artificial Intelligence models have increased their capabilities in different domains. This has allowed us to have models that are capable of processing and generating stimuli in a similar way to how humans do. In particular, in the area of Natural Language Processing, state-of-the-art models have a great capacity for these tasks. The most popular example is the chatGPT system (and its evolutions), from the company OpenAI. These advances have not been alien to the Cognitive Neuroscience community, and in particular to Neurolinguistics, which sees in these advanced models a tool that can be very useful to understand the mechanisms that operate in the brain during tasks associated with language.
Although the use of AI models for the study and analysis of experimental data has been common for some time, this course proposes a different approach. In the papers that will be analyzed during the course, we will present techniques in which the responses of the AIs are used to compare them with cognitive responses (neuroimages, behavioral responses, etc.). These approaches are proposed, then, to extract from the AIs the computational mechanisms that could be analogous to the natural ones. This would allow a more detailed study of them, since there is a great flexibility for experimentation, modification, analysis, etc. on these models.

Día 1: Representaciones vectoriales de palabras y cómo usarlas para entender el cerebro
Introducción al Procesamiento del Lenguaje Natural. Representaciones vectoriales estáticas de palabras (embeddings). Técnicas clásicas (ej. LSA). ¿Es posible usar estas representaciones para estudiar el cerebro humano? Introducción a la neuroimagen: M/EEG, fMRI. Estudios fundamentales sobre la alineación de imágenes fMRI con embeddings de palabras [Huth et al., 2012; Huth et al., 2016]. Ventajas y limitaciones de la alineación. Análisis de Similitud Representacional (RSA) [Abnar et al., 2019]. Otras técnicas.

Día 2: RNN y transformers: más allá de los embeddings estáticos
Introducción a la Inteligencia Artificial y el Aprendizaje Automático. ¿Cómo aprenden los modelos a partir de los datos? Introducción al aprendizaje profundo. Redes Neuronales Recurrentes. Recursividad en RNN y el cerebro [Lakretz et al., 2021]. De RNN a transformers. Atención y auto-atención. Embeddings contextualizados (ej. BERT) [Hollenstein et al., 2019]. Modelos de última generación: GPT (OpenAI), Llama (Meta), Gemini (Google). ¿Cómo es posible que estos modelos se comporten casi como humanos? ¿Cómo se codifica la información en ellos? ¿Cómo puede la Neurociencia contribuir a la comunidad de IA? [Abnar et al., 2019] ¿Qué puede aprender la neurociencia de ellos? [Caucheteu., King, 2022; Caucheteux et al., 2023]

Organizer:
Bruno Bianchi
brunobian@gmail.com
Laboratorio de Inteligencia Artificial Aplicada, Departamento de Computación, Facultad de Ciencias Exactas y Naturales, UBA

El principal objetivo de este curso es el de acercar a lxs asistentes a las herramientas modernas de modelado e inferencia estadística con especial foco en los tipos de datos que se manejan en el campo de las neurociencias experimentales. Asumiendo de los participantes un mínimo acercamiento previo a la inferencia estadística, tomaremos la primera mitad del curso para reflexionar sobre qué es y qué no es la estadística, estimulando el pensamiento crítico y evitando las “recetas”. El curso propone la incorporación de los modelos lineales como la base del modelado estadístico en el laboratorio, así como sus extensiones como los modelos lineales generalizados y de efectos mixtos. Finalmente, motivaremos a lxs alumnxs a integrar herramientas a su  ráctica científica que les permitan compartir sus datos y procesos de análisis de acuerdo a las recomendaciones de la ciencia abierta. El curso estará basado en herramientas del  lenguaje de programación R, enfocándose en recursos para el análisis y visualización de datos, modelado estadístico, producción de reportes automáticos, etc.

Requisitos: Poseer conocimientos básicos del lenguaje R y los paquetes del tidyverse. Haber cursado alguna materia de probabilidad o estadística, y estar familiarizado con los conceptos de variable aleatoria, esperanza, varianza, muestreo y estimación. Se hará disponible un sitio web del curso con material audiovisual y escrito al que puedan recurrir estudiantes que no cumplan con alguno de estos requisitos antes del comienzo del curso.

Día 1:
Teoría: Probabilidad y estadística: ¿Dos caras de la misma moneda? Modelos de generación de datos e inferencia estadística. Repaso de inferencia estadística. ¿Qué es un p-valor y cómo interpretarlo correctamente? Tamaño del efecto y potencia estadística. ¿Cómo determinar el tamaño de la muestra a priori? La simulación de datos como herramienta para la determinación del tamaño de muestra. Prerregistro y ciencia abierta.
Práctica y programación: Manipulación y análisis exploratorio de datos con herramientas del tidyverse. Generación de reportes utilizando R-Markdown. Principios de visualización de datos. Cómo hacer énfasis en lo que queremos mostrar. {ggplot2} como herramienta  para la visualización de datos.

Día 2:
Teoría: ¿Son todos los tests estadísticos más usados modelos lineales? Cómo modelar nuestros datos experimentales y no morir en el intento. Modelos lineales y modelos lineales generalizados. Efectos fijos y aleatorios. Modelos lineales (y generalizados) de efectos mixtos.
Práctica y programación: Ajuste e interpretación de modelos lineales y modelos lineales generalizados (regresión logística y de Poisson). Presentación de funciones para el reporte de modelos del paquete {modelsummary}. Introducción a los modelos lineales mixtos utilizando {lme4}.

Organizers:
Ignacio Spiousas
ispiousas@udesa.edu.ar
Laboratorio Interdisciplinario del Timepo y la Experiencia. Universidad de San Andrés. Conicet.

Leandro Pablo Casiraghi
lcasiraghi@udesa.edu.ar
Laboratorio Interdisciplinario del Timepo y la Experiencia. Universidad de San Andrés. Conicet.