Comprendre le Cortex visuel avec des modèles d'apprentissage profond

Cette séance de cours traite d'un article de synthèse de Yamit et Di Carlo de 2016, axé sur l'utilisation de modèles d'apprentissage profond axés sur l'or pour comprendre les portraits sensoriels. L'article montre comment les réseaux neuronaux convolutifs hiérarchiques peuvent modéliser la structure et le fonctionnement du cortex visuel, en comparant avec les modèles précédents et en suggérant des améliorations futures. La séance de cours couvre la voie ventrale visuelle, la structure du réseau neuronal et la conception des paramètres, soulignant l'importance de la tâche, de la structure et des paramètres. Il explique la relation entre les paramètres architecturaux et les paramètres de filtre, montrant comment les modèles peuvent prédire les réponses neuronales sans formation directe sur les données neuronales. La séance de cours se termine en discutant des progrès de la programmation GPU, des procédures d’apprentissage automatique et des grands ensembles de données étiquetés, ainsi que des perspectives futures sur l’architecture du réseau et les techniques expérimentales pour mieux modéliser les microcircuits cérébraux.