Clase 1 (26/8): Introducción al curso. Por qué la neurociencia necesita de un enfoque cuantitativo interdisciplinario. Procesamiento y representación de información en el cerebro.

Práctica 1 (28/8): Herramientas computacionales básicas: sintaxis y filosofía de MATLAB.

Clase 2 (28/8): Modelos de neuronas individuales.

Práctica 2 (28/8): Implementación de un modelo de neuronas Integrate and Fire.

Clase 3 (2/9): Redes neuronales en distintas escalas. Redes de Hopfield.

Práctica 3 (2/9): Cuantificando trenes de spikes en datos sintéticos y datos reales. 

Clase 4 (4/9): Modelos de redes neuronales biológicamente plausibles.

Práctica 4 (4/9): Modelo de Izhikevich. Neuronas individuales y redes de neuronas.

Clase 5 (9/9): Teoría de la información y neural coding.

Práctica 5 (9/9): Teoría de la información y neural coding.

Clase 6 (11/9): Algoritmos de Machine Learning para el análisis de registros extracelulares.

Práctica 6 (11/9): Spike sorting. Super-paramagnetic clustering. Algoritmos offline y online.

Clase 7 (16/9): Introducción a la dinámica cerebral a gran escala, registros electroencefalográficos (EEG). Potenciales relacionados con eventos (ERPs).

Práctica 7 (16/9): EEG y potenciales evocados.

Clase 8 (18/9): Problemas actuales y desafíos futuros.

Práctica 8 (18/9): Discusión sobre el trabajo final para la materia.