BMETESZMsXAIT2-00

1–3. Introduction
Algorithms for understanding brain function. Overview of biological structures and measurement techniques involved in the study of learning. Introduction to Bayesian probability theory.

4–7. Block 1: Bayesian Inference
Perception as an inference problem. Generative models and inference algorithms. Inference in the visual system. Representing uncertainty in the brain.

8–11. Block 2: Decision Making
Actions, loss functions, and value functions. Sequential value estimation. Representing uncertainty during decision making. Evidence integration. The drift-diffusion model of evidence integration. Neural representation of decision variables.

12–15. Block 3: Navigation
Sequential decision-making problems: POMDPs. Different forms of uncertainty: model, state, and value uncertainty. Route planning and graph search problems. Elements of navigation algorithms in the brain: place cells, cognitive maps, grid cells, and path integration. Offline and online computations during navigation.

16–19. Block 4: Reinforcement Learning (RL)
Algorithms for solving sequential decision-making problems. Value-based learning and the use of reward prediction errors to model neural activity.

20–23. Block 5: Model-Based Reinforcement Learning
Building world models for sequential decision making. Behavioral markers of model-based and model-free learning. Replay of episodic memories and model-based replay. Using replay algorithms to predict neural data.

24–27. Block 6: Representation Learning
The problem of determining what information to retain and what to discard. Limitations of Bayesian inference and reinforcement learning approaches, and how to go beyond them. Predicting and measuring behavior and neural activity using representation learning algorithms.

28. Student Presentations
Current frontiers in computational neuroscience.

Tantárgy azonosító adatok
1.	A tárgy címe	Komputációs idegtudomány
2.	A tárgy angol címe	Computational Neuroscience

4.	Ajánlott/kötelező előtanulmányi rend
	vagy	Tantárgy kód 1	Rövid cím 1	Tantárgy kód 2	Rövid cím 2	Tantárgy kód 3	Rövid cím 3
	4.1
	4.2
	4.3
5.	Kizáró tantárgyak
5.
6.	A tantárgy felelős tanszéke		Sztochasztika Tanszék
7.	A tantárgy felelős oktatója		Dr. Molontay Roland		beosztása	egyetemi docens

Akkreditációs adatok
8.	Akkreditációra benyújtás időpontja	2026. 04. 13.	Akkreditációs bizottság döntési időpontja	2026.05.11.

Tematika
9.	A tantárgy az alábbi témakörök ismeretére épít
	basics of linear algebra, multivaraite calculus, probability theory, Python programming
10.	A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható)
	Aquincum Institute of Technology (AIT) válaszható tárgya a BME-vel való együttműködés keretében
11.	A tárgy részletes tematikája
	1–3. Introduction Algorithms for understanding brain function. Overview of biological structures and measurement techniques involved in the study of learning. Introduction to Bayesian probability theory. 4–7. Block 1: Bayesian Inference Perception as an inference problem. Generative models and inference algorithms. Inference in the visual system. Representing uncertainty in the brain. 8–11. Block 2: Decision Making Actions, loss functions, and value functions. Sequential value estimation. Representing uncertainty during decision making. Evidence integration. The drift-diffusion model of evidence integration. Neural representation of decision variables. 12–15. Block 3: Navigation Sequential decision-making problems: POMDPs. Different forms of uncertainty: model, state, and value uncertainty. Route planning and graph search problems. Elements of navigation algorithms in the brain: place cells, cognitive maps, grid cells, and path integration. Offline and online computations during navigation. 16–19. Block 4: Reinforcement Learning (RL) Algorithms for solving sequential decision-making problems. Value-based learning and the use of reward prediction errors to model neural activity. 20–23. Block 5: Model-Based Reinforcement Learning Building world models for sequential decision making. Behavioral markers of model-based and model-free learning. Replay of episodic memories and model-based replay. Using replay algorithms to predict neural data. 24–27. Block 6: Representation Learning The problem of determining what information to retain and what to discard. Limitations of Bayesian inference and reinforcement learning approaches, and how to go beyond them. Predicting and measuring behavior and neural activity using representation learning algorithms. 28. Student Presentations Current frontiers in computational neuroscience. 1–3. Bevezetés Algoritmusok az agyműködés megértésére. A tanulás vizsgálatában szerepet játszó biológiai struktúrák és mérési technikák áttekintése. A bayesi valószínűségelmélet alapjai. 4–7. 1. blokk: Bayesi következtetés Az észlelés mint következtetési probléma. Generatív modellek és következtetési algoritmusok. Következtetés a látórendszerben. A bizonytalanság reprezentációja az agyban. 8–11. 2. blokk: Döntéshozatal Cselekvések, veszteségfüggvény és értékfüggvény. Szekvenciális értékbecslés. A bizonytalanság reprezentációja döntéshozatal közben. Evidencia integráció. Az evidencia integráció drift-diffúziós modellje. A döntési változók neurális reprezentációja. 12–15. 3. blokk: Navigáció Szekvenciális döntési problémák: POMDP. A bizonytalanság különböző formái: modell-, állapot- és értékbizonytalanság. Útvonaltervezés és gráfkeresési problémák. A navigáció neurális algoritmusainak elemei: helysejtek, kognitív térkép, rácssejtek, pályaintegráció. Offline és online számítások navigáció során. 16–19. 4. blokk: Megerősítéses tanulás (RL) Algoritmusok szekvenciális döntési problémák megoldására. Értékalapú tanulás és a jutalomelőrejelzési hiba felhasználása a neurális aktivitás modellezésére. 20–23. 5. blokk: Modellalapú megerősítéses tanulás Világmodell építése szekvenciális döntéshozatalhoz. A modellalapú és modellmentes tanulás viselkedéses indikátorai. Epizodikus emlékek vagy modellek újrajátszása. Újrajátszási algoritmusok alkalmazása neurális adatok előrejelzésére. 24–27. 6. blokk: Reprezentációtanulás Annak problémája, hogy milyen információt őrizzünk meg és mit vessünk el. A bayesi következtetés és a megerősítéses tanulás korlátai, valamint ezek meghaladása. Viselkedés és neurális aktivitás előrejelzése és mérése reprezentációtanulási algoritmusok segítségével. 28. Hallgatói előadások A komputációs idegtudomány legaktívabb jelenlegi kutatási irányai.
12.	Követelmények, az osztályzat (aláírás) kialakításának módja
	szorgalmi időszakban	csoportmunka, házi feladatok, prezentáció	vizsga- időszakban
13.	Pótlási lehetőségek
	TVSZ szerint
14.	Konzultációs lehetőségek
	oktatóval egyeztetve
15.	Jegyzet, tankönyv, felhasználható irodalom
	Griffiths, T. L., Chater, N., & Tenenbaum, J. B. (Eds.). (2024). Bayesian models of cognition: Reverse engineering the mind. MIT Press.
	Carter, M., & Shieh, J. C. (2015). Guide to research techniques in neuroscience. Academic Press.

16.	A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva)
		16.1	Kontakt óra	56
		16.2	Félévközi felkészülés órákra	14
		16.3	Felkészülés zárthelyire	0
		16.4	Zárthelyik megírása	0
		16.5	Házi feladat elkészítése	14
		16.6	Kijelölt írásos tananyag elsajátítása (beszámoló)	0
		16.7	Egyéb elfoglaltság	36
		16.8	Vizsgafelkészülés	0
		16.9	Összesen	120
17.	Ellenőrző adat		*Kredit 30**	120

A tárgy tematikáját kidolgozta
18.	Név	beosztás	Munkahely (tanszék, kutatóintézet, stb.)
	Dr. Bányai Mihály	staff scientist	Central European University
	Ujfalussy Balázs	csoportvezető	HUN-REN KOKI

A tanszékvezető
19.	Neve	aláírása
	Dr. Ráth Balázs