Observações quanto ao conhecimento prévio presumido para o acompanhamento das disciplinas

Pedimos atenção especial, tanto aos alunos regulares e quanto aos especiais, para as expectativas que existem sobre o nível de conhecimento prévio para o bom acompanhamento de uma disciplina. Para as disciplinas dos conjuntos obrigatórios do programa, esta planilha oferece orientações: https://docs.google.com/spreadsheets/d/1cOZvSJ9z301XhmVgvRA1972dDz3enUsb58WukM-QRIE/edit?usp=sharing

A disciplina 'Tópicos em Neurociência Teórica e Computacional I' tem as mesmas características como 'Neurociência Teórica e Computacional', e valem, portanto, as mesmas orientações. No caso da disciplina "Tópicos em Neurociência e Cognição VI - Modelos Probabilísticos de Processos Cognitivos", é esperado que os discentes possuem conhecimento de manipulação de funções algébricas – recomendamos a revisão apresentada em Fischer, I. (s/ ano). Basic Calculus Refresher. pp. 1-6.Disponível em: https://sji.soc.uconn.edu/teaching/docs/calculus_refresh.pdf - e noções de pelo menos um ambiente de computação científica (ex. Python, R, Julia, Mathematica, Matlab, Octave, etc.) – recomendamos o notebook-Colab Computação Instrumental, de Bóris Marin, https://drive.google.com/file/d/1gzcx75UAgnCAcIyGj6z2Be1xayavX4r8/view?usp=sharing. Uma revisão dos conceitos básicos de probabilidade é prevista como parte do programa, mas é recomendado estudar as bases da probabilidade, variáveis e distribuições discretas e contínuas.

A ementa das disciplinas, com algumas exceções, está disponível no portal do programa (https://propg.ufabc.edu.br/neuro), sob Programa -> Grade Curricular (qualquer das duas grades mais recentes).

Seguem as ementas das disciplinas recém-criadas:

Código: NCG-413A

Nome:  TÓPICOS EM NEUROCIÊNCIA E COGNIÇÃO VI - MODELOS PROBABILÍSTICOS DE PROCESSOS COGNITIVOS

Ementa/Descrição:        A disciplina pretende estabelecer as bases teóricas e práticas para compreender a modelagem computacional de processos cognitivos pelo entendimento da cognição como inferência estatística natural, conforme entendida no paradigma da percepção Bayesiana e abordagens relacionadas. Base estatística: distribuições aleatórias discretas e contínuas; probabilidade condicional e teorema de Bayes; redes Bayesianas; elementos da teoria da informação. Modelos Bayesianos: princípios conceituais de percepção como inferência Bayesiana; modelos de observador ideal; teoria de decisão Bayesiana; abordagens experimentais; estudo de exemplos; modelos para outros processos cognitivos. Extensões: modelos neurocomputacionais de inferência; mecanismos neurais de raciocínio probabilístico; codificação preditiva; inferência ativa; abordagem de energia livre. Críticas à abordagem Bayesiana da cognição. Exercícios e projeto.

Referências:      [1] Ma, W. J., Kording, K. P., & Goldreich, D. (2023). Bayesian models of perception and action: an introduction. The MIT Press. [2] Artigos e capítulos acadêmicos relacionados aos tópicos. | Bibliografia complementar: [1] Chater, N. & Oaksford, M. (Dds.) (2008). The Probabilistic Mind: Prospects for Bayesian Cognitive Science. Oxford University Press. [2] Doya, K., Ishii, S., Pouget, A., & Rao, R. P. N. (Eds.). (2007). Bayesian brain: Probabilistic approaches to neural coding. MIT Press. [3] Griffiths, T. L., Chater, N., & Tenenbaum, J. B. (Eds.). (2024). Bayesian models of cognition: reverse engineering the mind. MIT Press. [4] Rao, R. P. N., Olshausen, B. A., & Lewicki, M. S. (Eds.). (2002). Probabilistic models of the brain: Perception and neural function. The MIT Press. https://doi.org/10.7551/mitpress/5583.001.0001. [5] Rescorla, M. (2025). Bayesian Models of the Mind. Cambridge University Press.

Código: NCG-502

Nome:  DOCÊNCIA NO ENSINO SUPERIOR

Ementa/Descrição:        Princípios e referenciais teóricos da Docência. Papel do professor no Ensino Superior e desafios atuais. Metodologias de ensino. Tecnologias Educacionais. Avaliação da aprendizagem. Inovação no Ensino Superior. Princípios de supervisão, orientação e mentoria de discentes.

Referências:      [1] BACICH, Lilian; TANZI NETO, Aquilino; TREVISANI, José Moran (Org.). Metodologias ativas para uma educação inovadora: uma abordagem teórico-prática. Porto Alegre: Penso, 2017. [2] CHRISTENSEN, Clayton M.; EYRING, Henry J. A universidade inovadora: mudando o DNA do ensino superior de fora para dentro. Tradução de Ayresnede Casarin da Rocha. Porto Alegre: Bookman, 2013. [3] HOLMES, Wayne, BIALIK, Maya, FADEL, Charles. Artificial Intelligence in Education Promises and Implications for Teaching and Learning. Boston, MA, USA: Center for Curriculum Redesign, 2019. [4] ILLERIS, Knud (Org.). Contemporary Theories of Learning: Learning Theorists... In Their Own Words. 2. ed. London: Routledge, 2018.