Explore le bruit d'échappement dans la neuroscience computationnelle, couvrant l'intensité stochastique, les intervalles d'intercirculation, les fonctions de vraisemblance, la comparaison des modèles de bruit, et les codes de vitesse par rapport aux codes temporels.
Explore la dynamique des populations neuronales, en mettant l'accent sur les réseaux aléatoires et les arguments de terrain moyen pour la connectivité.
Couvre les fondamentaux des signaux neuraux et du traitement des signaux, en mettant l'accent sur la modélisation et la simulation des systèmes neuraux.
Explore la qualité des modèles Integrate-and-Fire dans les neurosciences computationnelles par des comparaisons avec des données expérimentales et des prédictions mathématiques.
Introduit les fondamentaux du bruit dans l'électronique, couvrant les origines, les types de signaux, les caractéristiques de puissance et les sources de bruit.
Explore le bruit dans l'électronique, couvrant la puissance moyenne, le rapport signal/bruit, les signaux déterministes et aléatoires et l'amplification du bruit.
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Explore le modèle basé sur la charge EKV pour la conception de circuits basse tension et basse puissance, en mettant l'accent sur les caractéristiques des transistors et les modèles de bruit.
Explore l'informatique scientifique en neuroscience, en mettant l'accent sur la simulation des neurones et des réseaux à l'aide d'outils comme NEURON, NEST et BRIAN.
Couvre l'analyse du bruit physique dans les photodétecteurs à grande vitesse, en se concentrant sur les rapports signal/bruit et diverses sources de bruit affectant les performances.
Couvre des stratégies pour lutter contre les sources de bruit dans les mesures électroniques et explore des techniques pour atténuer le bruit et améliorer la précision des mesures.