Explore la dynamique des populations neuronales, en mettant l'accent sur les réseaux aléatoires et les arguments de terrain moyen pour la connectivité.
Se penche sur la simulation de la dynamique du réseau dans les neurosciences silico, couvrant l'activité spontanée et évoquée, les simulations in-vitro et in-vivo, et l'analyse de sensibilité.
Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.
Explore simulant des modèles de réseau neuronal à grande échelle et optimisant l'efficacité de la mémoire dans les simulations neuronales à l'aide de NEURON et de CoreNEURON.
Couvre les Perceptrons multicouches, les neurones artificiels, les fonctions d'activation, la notation matricielle, la flexibilité, la régularisation, la régression et les tâches de classification.
Explore la relation complexe entre les neurosciences et l'apprentissage automatique, en soulignant les défis de l'analyse des données neuronales et le rôle des outils d'apprentissage automatique.
