Cognitive Neuroscience for AI Developers - Cheatsheet

Neuroanatomie und -physiologie - grundlegende Struktur und Funktion des Gehirns erklären

Definition:

Grundstruktur und -funktion des Gehirns

Details:

• Großhirn (Cerebrum): verantwortlich für bewusste Gedanken, Wahrnehmungen und Bewegungen.
• Kleinhirn (Cerebellum): Koordination von Bewegung und Gleichgewicht.
• Hirnstamm: kontrolliert grundlegende Lebensfunktionen (Herzschlag, Atmung).
• Neuronen: Grundeinheit des Gehirns, überträgt elektrische Signale.
• Neurotransmitter: chemische Botenstoffe, die Signale zwischen Neuronen vermitteln.
• Synapsen: Kontaktstellen zwischen Neuronen für Informationsweitergabe.
• Gehirnrinde (Cortex): äußere Schicht des Großhirns, beteiligt an den meisten höherwertigen Gehirnfunktionen.

Grundzüge der neuronalen Kommunikation - Mechanismen der Informationsübertragung im Gehirn

Definition:

Kommunikation zwischen Neuronen im Gehirn, Informationsaustausch erfolgt über chemische und elektrische Signale.

Details:

• Neuron: Grundlegende Recheneinheit des Gehirns
• Synapse: Verbindungspunkt zwischen Neuronen
• Aktionspotential: Elektrisches Signal, das entlang des Axons weitergeleitet wird
• Neurotransmitter: Chemische Botenstoffe, die an der Synapse freigesetzt werden
• Präsynaptisches Neuron: Neuron, das das Signal sendet
• Postsynaptisches Neuron: Neuron, das das Signal empfängt
• Ionenkanäle: Regulieren den Fluss von Ionen durch die Zellmembran, entscheidend für die Erzeugung des Aktionspotentials
• Wichtigste Ionen: Na⁺, K⁺, Ca²⁺
• Rolle von Glutamat und GABA: Hauptsächlich exzitatorischer bzw. inhibitorischer Neurotransmitter

Funktionelle MRT (fMRT) - Anwendungen und Grenzen in der Bildgebung

Definition:

Messverfahren zur Beobachtung von Gehirnaktivitäten durch Erkennung von Änderungen im Blutfluss.

Details:

• Anwendungen: Erforschung kognitiver Prozesse, Gehirnnetzwerke, und -störungen.
• Erfasst Aktivität indem man BOLD-Kontrast verwendet.
• Hohes räumliches, aber geringes zeitliches Auflösungsvermögen.
• Limitationen: Rauschempfindlich, indirektes Maß neuronaler Aktivität.
• Kontraindikationen: Metallimplantate, Klaustrophobie.
• Erfordert komplizierte Datenanalyse, z.B. statistische Parametermapping (SPM).
• Geringe Bewegungsfreiheit während der Messung erforderlich.
• Hauptsächlich Forschung, nicht Diagnose.

Training und Optimierung künstlicher neuronaler Netze - Techniken und Herausforderungen

Definition:

Prozess der Anpassung der Gewichte und Biases in einem neuronalen Netz, um Vorhersagegenauigkeit zu maximieren, oft durch Backpropagation und Gradientenabstieg.

Details:

• Backpropagation: Algorithmus zur Fehlerberechnung und Gewichtsaktualisierung basierend auf dem Gradientenabstieg.
• Gradientenabstieg: Optimierungsmethode zur Minimierung einer Fehlermetrik durch iterative Anpassung der Modellparameter.
• Überanpassung (Overfitting) vermeiden durch Techniken wie Regularisierung (z.B. L2), Dropout, Datenaugmentation.
• Hyperparameter-Tuning: Feinanpassung von Lernrate, Batchgröße, Anzahl der Epochen, etc.
• Batchnormalisierung und Aktivierungsfunktionen (ReLU, Sigmoid, Tanh) zur Verbesserung der Lerngeschwindigkeit und Stabilität.
• Early Stopping: Trainingsprozess anhalten, bevor das Modell übertrainiert.

Vergleich biologischer und künstlicher neuronaler Netze - Ähnlichkeiten und Unterschiede sowie praktische Implikationen

Definition:

Vergleich von biologischen und künstlichen neuronalen Netzen bzgl. Architektur, Funktion und Anwendung.

Details:

• Biologische Neuronen: Dendriten, Soma, Axon, Synapsen
• Künstliche Neuronen: Eingaben, Gewichtungen, Aktivierungsfunktion, Ausgaben
• Ähnlichkeiten: Signalverarbeitung durch Verbindungen, Nutzung von Trainingsmechanismen (z.B. Lernen durch Verstärkung)
• Unterschiede: Biologische Netzwerke komplexer, haben Plastizität; KNN haben oft einfache, vordefinierte Architekturen und benötigen große Datenmengen zum Training
• Praktische Implikationen: Verständnis biologischer Neuronen kann zur Verbesserung von KNN beitragen, z.B. durch Entwicklung effizienterer Lernalgorithmen
• Formeln: \(y_i = f\left( \sum_{j=1}^{n} w_{ij} x_j + b_i \right)\) für künstliche Neuronen

Sprach- und Bilderkennung - Anwendungen und Techniken in der KI

Definition:

Sprach- und Bilderkennung in der KI: Nutzung von Algorithmen und Modellen zur Interpretation und Generierung von Sprache und Bildern.

Details:

• Anwendungen: Sprachassistenten, Übersetzungsdienste, Bildklassifikation, Objekterkennung.
• Techniken: Neuronale Netze, Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Transformer-Modelle.
• Wichtige Modelle: GPT, BERT für Sprache; VGG, ResNet für Bilder.
• Pre-Processing: Datenbereinigung, Normalisierung, Feature-Scaling.
• Evaluation: Accuracy, F1-Score, ROC-AUC für Modelle bewerten.

Bias und Fairness in Algorithmen - Identifikation und Reduktion von Verzerrungen

Definition:

Verzerrungen (Bias) in Algorithmen treten auf, wenn die Daten oder die Trainingsprozesse zu systematischen Fehlern führen. Fairness beinhaltet die Bemühung, diese Verzerrungen zu minimieren oder zu eliminieren.

Details:

• Arten von Bias: Pre-training Bias, Sample Bias, Measurement Bias, Algorithmic Bias
• Methoden zur Reduktion: Preprocessing (Datenbereinigung), In-Processing (Algorithmenanpassung), Postprocessing (Ergebnisrevision)
• Mathematische Metriken zur Messung von Fairness: Demographic Parity, Equal Opportunity, Equalized Odds
• Durchführung von Bias-Audits zur Identifikation und Überprüfung der Algorithmen

Funktionelle Organisation des Gehirns - Säulenorganisation, funktionelle Netzwerke und deren Bedeutung

Definition:

Strukturelle und funktionelle Grundlage des Gehirns, die neuronale Aktivität und Signalverarbeitung bestimmt.

Details:

• Säulenorganisation: Neuronen in vertikalen Säulen mit ähnlichen Funktionen.
• Funktionelle Netzwerke: Interaktive Netzwerke von Hirnregionen, die kognitive Funktion unterstützen.
• Wichtig für Verständnis von Informationsverarbeitung, Plastizität und kognitiven Prozessen.
• Messmethoden: fMRI, EEG, MEG zur Untersuchung dieser Strukturen.
• Bedeutung für AI: Inspiration für neuronale Netze und Algorithmen.