Séance de cours
Analyser la règle d'apprentissage hébbienne
Séances de cours associées (36)
Simulation de réseau et dynamique d'activité
Explore la simulation du réseau neuronal, la dynamique d'activité et les processus de validation afin d'assurer des prévisions précises.
Computing neuromorphe : concepts et implémentations matérielles
Couvre l'informatique neuromorphe, les défis dans l'informatique ternaire et binaire, les simulations matérielles du cerveau, et les nouveaux matériaux pour les cellules cérébrales artificielles.
Plasticité synaptique : formes et mécanismes
Explore différentes formes de plasticité synaptique et les mécanismes qui les sous-tendent, en mettant l'accent sur le rôle du calcium dans l'induction et le maintien des changements plastiques.
Modèles Hippocampus Single CellMOOC: Simulating a hippocampus micro-circuit
Plonge dans la modélisation des cellules pyramidales CA1 dans l'hippocampe, révélant leurs capacités de calcul complexes.
Simulation réseau : Activité spontanée et validation
Couvre l'activité spontanée du réseau cérébral, la simulation neuronale et la validation, soulignant l'importance des conditions in-vitro et in-vivo pour une modélisation précise du réseau.
Bâtir des réseaux neuraux physiques
Discute des défis liés à la construction de réseaux neuraux physiques, en mettant l'accent sur la profondeur, les connexions et la capacité de formation.
Comprendre la transmission synaptique
Explore la transmission synaptique, les neurotransmetteurs et les principes de plasticité neuronale.
Plasticité synaptique: Mécanismes et modèles
Explore différentes formes de plasticité synaptique et de modèles computationnels pour comprendre ses mécanismes et protocoles d'induction.
Transmission synaptique : électrique contre chimique
Comparer les synapses électriques et chimiques, en mettant l'accent sur leurs propriétés et leur comportement, y compris la jonction neuromusculaire et les synapses dans le SNC.
Réseaux neuronaux : logique et applications
Explore la logique de la fonction neuronale, le modèle Perceptron, les applications d'apprentissage profond et les niveaux d'abstraction dans les modèles neuronaux.