Séance de cours

Modélisation neuronale: des systèmes sensoriels au comportement

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre la modélisation neuronale des systèmes sensoriels, axée sur la proprioception, le toucher, la vision et le contrôle moteur. Il traite du rôle des réseaux neuronaux profonds dans la modélisation de la voie proprioceptive et l'inferration de la dynamique musculaire, ainsi que de l'utilisation de réseaux axés sur la tâche pour comprendre la fonction cérébrale. La présentation examine également les implications des simulations biomécaniques et des moteurs de physique dans la modélisation des systèmes biologiques, tels que la segmentation d'action et l'identification des animaux.

Source officielle

Proximité ontologique

Biologie

Anatomie: Neuroanatomie

Concepts associés (32)

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.

Réseau de neurones récurrents

Un réseau de neurones récurrents (RNN pour recurrent neural network en anglais) est un réseau de neurones artificiels présentant des connexions récurrentes. Un réseau de neurones récurrents est constitué d'unités (neurones) interconnectées interagissant non-linéairement et pour lequel il existe au moins un cycle dans la structure. Les unités sont reliées par des arcs (synapses) qui possèdent un poids. La sortie d'un neurone est une combinaison non linéaire de ses entrées.

Réseau neuronal convolutif

En apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Réseau de neurones à propagation avant

Un réseau de neurones à propagation avant, en anglais feedforward neural network, est un réseau de neurones artificiels acyclique, se distinguant ainsi des réseaux de neurones récurrents. Le plus connu est le perceptron multicouche qui est une extension du premier réseau de neurones artificiel, le perceptron inventé en 1957 par Frank Rosenblatt. vignette|Réseau de neurones à propagation avant Le réseau de neurones à propagation avant est le premier type de réseau neuronal artificiel conçu. C'est aussi le plus simple.

Afficher plus

Séances de cours associées (64)

Comprendre la proprioception : modèles de réseaux neuronaux

Explore comment les réseaux neuronaux peuvent aider à comprendre la proprioception et la contraction musculaire.

Interactions sensorimotrices MOOC: Mécanismes cellulaires des fonctions cérébrales

Plonge dans les mécanismes cellulaires des interactions sensorimotrices dans le cerveau, en mettant l'accent sur le contrôle du mouvement des moustaches.

Le paysage d'optimisation de Convex caché des réseaux neuronaux profonds

Explore le paysage d'optimisation convexe caché des réseaux neuronaux profonds, montrant la transition des modèles non convexes aux modèles convexes.

Contrôle moteur en vertébrés

Explore l'organisation hiérarchique du contrôle moteur dans les vertébrés et les architectures de contrôle en couches.

Comprendre le Cortex visuel avec des modèles d'apprentissage profond

Explore à l'aide de modèles d'apprentissage en profondeur pour comprendre le cortex visuel et les portraits sensoriels.

Afficher plus

Concepts associés (32)

Réseau de neurones artificiels

Réseau de neurones récurrents

Réseau neuronal convolutif

Apprentissage profond

Réseau de neurones à propagation avant

Afficher plus