Séance de cours
Bâtir des réseaux neuraux physiques
Séances de cours associées (138)
Neurosciences et Machine Learning
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.
Plasticité synaptique: Apprentissage de la mémoire en ligneMOOC: Neuronal Dynamics 2- Computational Neuroscience: Neuronal Dynamics of Cognition
Explore la plasticité synaptique, les modèles de timing et les défis d'apprentissage de la mémoire en ligne dans les neurosciences computationnelles.
Modélisation du cerveau : apprentissage automatique et neurosciences
Explore la synergie entre l'apprentissage automatique et les neurosciences, en montrant comment les réseaux neuronaux profonds peuvent prédire les réponses neuronales et les défis rencontrés par l'IA en robotique.
Dendrite comme un câbleMOOC: Neuronal Dynamics - Computational Neuroscience of Single Neurons
Discute des dendrites comme des câbles, couvrant la dérivation de l'équation de câble et la conservation du courant dans les compartiments couplés.
Comprendre les morphologies neuronales : les bases des neuromesMOOC: Simulation Neurocience
Couvre les bases NeuroM, y compris la vérification de la qualité des neurones, l'extraction de la morphométrie et la visualisation des neurones dans différents formats.
Réseaux neuraux : apprentissage supervisé et rétropropagation
Explique les réseaux neuronaux, l'apprentissage supervisé et la rétropropagation pour la formation et l'amélioration des performances.
Méthodes numériques stochastiques pour les systèmes quantiques à plusieurs corps
Explore les méthodes stochastiques pour les systèmes quantiques, y compris la diagonalisation exacte, les méthodes variationnelles, les réseaux neuronaux et l'apprentissage automatique.
Benchmarking intégratif : faire progresser les modèles de systèmes d'intelligence humaine
Explore l'avancement des modèles système de l'intelligence humaine au moyen d'analyses comparatives intégrées et de l'importance de Brain-Score pour des comparaisons équitables de modèles.
Deep Learning: Propagation vers l'arrière et Gradient de disparition
Plonge dans la propagation en arrière dans l'apprentissage profond, répondant au défi de la disparition du gradient et à la nécessité d'unités cachées efficaces.
Règles d'apprentissage locales : Représentations et actions
Explore les règles d'apprentissage locales pour les représentations et les actions, couvrant la plasticité synaptique, le renforcement de l'apprentissage et les bonnes représentations.