پیشنهاد فرادرس

دوره علوم محاسباتی اعصاب دانشگاه Washington

دسته بندی ها: دانشگاه واشینگتن

دوره-علوم-محاسباتی-اعصاب-دانشگاه-washington

دانشگاه واشینگتن (University of Washington) یکی از معتبرترین دانشگاه‌های ایالات متحده آمریکا بوده و در ایالتواشنگتن واقع است. دانشگاه که یک موسسه آموزشی عمومی و تحقیقاتی محسوب می‌شود در سال 1861 در «سیاتل» واشنگتن تاسیس گردید، و به عنوان بزرگترین دانشگاه در شمال غربی آمریکا و همچنین قدیمی‌ترین دانشگاه در غرب آمریکا به شمار می‌اید. دانشگاه بجز «سیاتل» که به عنوان مرکز دانشگاه شناخته می‌شود در شهرهای «تاکوما» و «بوتهل» نیز شعبه دارد.

علوم محاسباتی اعصاب (Computational neuroscience) از جمله زمینه‌های وسیع و عمده بین رشته‌هاست که شاخه‌های علمی متنوعی همچون علوم اعصاب، علوم رایانه، فیزیک، و ریاضیات کاربردی را به همدیگر پیوند می‌دهد.

در این دوره آموزشی از دانشگاه Washington با علوم اعصاب محاسباتی آشنا می شوید.

سرفصل های دوره:

  • مقدمه دوره و پشتیبانی آن
  • علوم محاسباتی اعصاب - مدل توصیفی
  • علوم محاسباتی اعصاب - سلول های عصبی
  • علوم محاسباتی اعصاب - مکانیکی و مدل های تفسیری
  • ساخت اتصالات Synapses 
  • عملکرد شبکه مغز
  • کد های عصبی چیست
  • رمزگذاری منحنی های عصبی
  • مدل های ساده رمزگذاری های عصبی
  • انتخاب ویژگی برای رمزگذاری عصبی
  • رمز گشایی عصبی و تشخیص نظریه سیگنال
  • محاسبه اطلاعات
  • قواعد برنامه نویسی
  • مدل سازی Neurons 
  • اتصالات مدلسازی بین نورونها
  • آموزش کدگذاری پراکنده و برنامه نویسی
  • و...

عنوان دوره: University of Washington Computational Neuroscience

توضیحات:

1 - 1 - 1 Course Introduction and Logistics (0605)
1 - 2 - 2 Computational Neuroscience Descriptive Models (1150)
1 - 3 - 3 Computational Neuroscience Mechanistic and Interpretive Models (1235)
1 - 4 - 4 The Electrical Personality of Neurons (2302)
1 - 5 - 5 Making Connections Synapses (2159)
1 - 6 - 6 Time to Network Brain Areas and their Function (1706)
1.1
1.2
1.3
1.4
1.5
1.6
2 - 1 - 1 What is the Neural Code (1120)
2 - 2 - 2 Neural Encoding Tuning Curves (1050)
2 - 3 - 3 Neural Encoding Simple Models (1740)
2 - 4 - 4 Neural Encoding Feature Selection (2158)
2 - 5 - 5 Neural Encoding Variability (1937)
3 - 1 - 1 Neural Decoding and Signal Detection Theory (1855)
3 - 2 - 2 Population Coding and Bayesian Estimation (2444)
3 - 3 - 3  Reading Minds Stimulus Reconstruction (1159)
3 - 4 - Guest Lecture Fred Rieke (1401)
4 - 1 - 1 Information and Entropy (1912)
4 - 2 - 2 Calculating Information in Spike Trains (1725)
4 - 3 - 3 Coding Principles (1909)
5 - 1 - 1 Modeling Neurons (1352)
5 - 2 - 2 Spikes (1409)
5 - 3 - 3 Simplified Model Neurons (1840)
5 - 4 - 4 A Forest of Dendrites (1919)
5 - 5 - Guest Lecture Eric Shea-Brown (2252)
6 - 1 - 1 Modeling Connections between Neurons (2428)-1
6 - 1 - 1 Modeling Connections between Neurons (2428)
6 - 2 - 2 Introduction to Network Models (2147)
6 - 3 - 3 The Fascinating World of Recurrent Networks (2535)
6.1slides
6.2slides_new
6.3slides
7 - 1 - 1 Synaptic Plasticity Hebbs Rule and Statistical Learning (2417)
7 - 2 - 2 Introduction to Unsupervised Learning (2206)
7 - 3 - 3 Sparse Coding and Predictive Coding (2354)
7.1
7.2
7.3
8 - 1 - 1 Neurons as Classifiers and Supervised Learning (2557)
8 - 2 - 2 Reinforcement Learning Predicting Rewards (1301)
8 - 3 - 3 Reinforcement Learning Time for Action (1949)
8 - 4 - Guest Lecture Eb Fetz on Bidirectional Brain-Computer Interfaces (2006)
lecture_slides_8.1
lecture_slides_8.2

حجم فایل: 761MB

University of Washington Computational Neuroscience

پیشنهاد فرادرس

captcha