Séances de cours associées à Profils morphologiques

Réseaux neuronaux : formation et activation

Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.

Réseaux neuronaux : Perceptrons multicouches

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.

Le neurone : un aperçu structurel MOOC: Simulation de la neuroscience

Offre un bref aperçu de la structure des neurones, y compris des dendrites, des axones et des exemples de cellules spécifiques.

Introduction à la connectivité des circuits MOOC: Simulation d'un micro-circuit d'hippocampe

Couvre la connectivité des circuits dans l'hippocampe, y compris la distribution synapse, la divergence et la convergence.

Anatomie neuronale: Structure et fonction

Explore les types de neurones, leurs structures et le rôle des ganglions dans le système nerveux.

Le neurone : un appareil électrique unique MOOC: Simulation de la neuroscience

Explore le neurone comme un appareil électrique unique, se concentrant sur les potentiels synaptiques et l'activité de spiking.

Dendrite comme un câble MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Discute des dendrites comme des câbles, couvrant la dérivation de l'équation de câble et la conservation du courant dans les compartiments couplés.

Compréhension biophysique du comportement électrique neuronal

Explore la compréhension biophysique du comportement électrique neuronal, y compris les défis dans la modélisation des neurones, la génération de potentiels d'action, et l'impact de la structure dendritique sur les schémas de tir.

Identification des types de cellules corticales humaines

Se concentre sur l'identification des types de cellules corticales humaines à l'aide des données de l'ARN-Seq et discute du regroupement cellulaire, de la cartographie des neurones et de la diversité des types cellulaires.

Neurosciences I : Neurosciences moléculaires et neurodégénérescence

Couvre les neurosciences moléculaires, la neurodégénérescence, les types cellulaires, la structure des neurones et l'histoire des percées en neurosciences.

Paramètres de recherche : Optimisation de la simulation neuronale MOOC: Simulation d'un micro-circuit d'hippocampe

Explore les paramètres de recherche pour les modèles neuronaux et l'importance de l'optimisation multi-objectifs.

Modèles CA1 monocellulaires MOOC: Simulation d'un micro-circuit d'hippocampe

Explore les propriétés particulières, la variabilité, l'optimisation et la dégénérescence des neurones CA1.

Dans les neurosciences de Silico : canaux ioniques et modèles neuronaux

Explore la modélisation détaillée des canaux ioniques et des morphologies neuronales dans les neurosciences silico, couvrant la classification des neurones, la cinétique des canaux ioniques et les observations expérimentales.

Modèles Hippocampus Single Cell MOOC: Simulation d'un micro-circuit d'hippocampe

Plonge dans la modélisation des cellules pyramidales CA1 dans l'hippocampe, révélant leurs capacités de calcul complexes.

Techniques de collecte de données sur les neurones uniques MOOC: Simulation de la neuroscience

Couvre les méthodes d'étude des neurones uniques, y compris la morphologie et le profilage électrophysiologique.

Introduction au module MOOC: Simulation de la neuroscience

Introduit l'activité électrique des cellules nerveuses, en se concentrant sur les pointes et les potentiels synaptiques.

Statistiques et visualisation des données morphométriques MOOC: Simulation de la neuroscience

Couvre l'analyse statistique et la visualisation des données morphométriques, y compris la discrimination entre les types d'arbres et les calculs numpy.

Sans titre

Neurons et synapses: Aperçu MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Couvre les bases de la neuroscience computationnelle, les modèles de neurones uniques, les synapses et la variabilité neuronale.

Introduction à l'apprentissage automatique: modèles linéaires

Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.