Séance de cours

Estimation des paramètres

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 le processus d'estimation des paramètres dans les modèles neuronaux, en mettant l'accent sur les méthodes d'optimisation quadratique et convexe. Il s'inscrit dans le modèle de réponse Spike (SRM) et le modèle linéaire généralisé (GLM), en discutant de l'ajout de bruit au SRM. L'instructeur explique le concept d'ajustement linéaire dans les paramètres et son application à la modélisation neuronale, en mettant l'accent sur la comparaison entre le modèle et les données. La séance de cours explore également l'utilisation de la notation vectorielle pour l'estimation des paramètres et l'importance de l'optimisation quadratique dans la modélisation de la tension sous-seuil. Les paramètres extraits des modèles neuronaux sont analysés, montrant l'application pratique de l'estimation des paramètres dans la neuroscience computationnelle.

Dans MOOC

Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Ce cours constitue une introduction au domaine des neurosciences théoriques et computationnelles, en mettant l'accent sur les modèles de neurones individuels. Les neurones encodent l'information sur les stimuli dans une séquence de courtes impulsions électriques (spikes).

Source officielle

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Concepts associés (32)

Modèles du neurone biologique

vignette|390x390px|Fig. 1. Dendrites, soma et axone myélinisé, avec un flux de signal des entrées aux dendrites aux sorties aux bornes des axones. Le signal est une courte impulsion électrique appelée potentiel d'action ou impulsion. vignette|Figure 2. Évolution du potentiel postsynaptique lors d'une impulsion. L'amplitude et la forme exacte de la tension peut varier selon la technique expérimentale utilisée pour acquérir le signal.

Modèle linéaire généralisé

En statistiques, le modèle linéaire généralisé (MLG) souvent connu sous les initiales anglaises GLM est une généralisation souple de la régression linéaire. Le GLM généralise la régression linéaire en permettant au modèle linéaire d'être relié à la variable réponse via une fonction lien et en autorisant l'amplitude de la variance de chaque mesure d'être une fonction de sa valeur prévue, en fonction de la loi choisie.

Generalized linear mixed model

In statistics, a generalized linear mixed model (GLMM) is an extension to the generalized linear model (GLM) in which the linear predictor contains random effects in addition to the usual fixed effects. They also inherit from GLMs the idea of extending linear mixed models to non-normal data. GLMMs provide a broad range of models for the analysis of grouped data, since the differences between groups can be modelled as a random effect. These models are useful in the analysis of many kinds of data, including longitudinal data.

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Linear least squares

Linear least squares (LLS) is the least squares approximation of linear functions to data. It is a set of formulations for solving statistical problems involved in linear regression, including variants for ordinary (unweighted), weighted, and generalized (correlated) residuals. Numerical methods for linear least squares include inverting the matrix of the normal equations and orthogonal decomposition methods. The three main linear least squares formulations are: Ordinary least squares (OLS) is the most common estimator.

Afficher plus

Séances de cours associées (64)

L'informatique scientifique en neurosciences

Explore l'histoire et les outils de l'informatique scientifique en neuroscience, en mettant l'accent sur la simulation des neurones et des réseaux.

Modèles d'intégration et d'incendie généralisés MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore le modèle d'intégration et d'incendie généralisé et le modèle d'intégration et d'incendie non linéaire.

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.

Modèles et données MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Couvre l'optimisation des modèles neuronaux pour le codage et le décodage dans les neurosciences computationnelles.

Modélisation de données dans les neurosciences: Meenakshi Khosla

Par Meenakshi Khosla explore la modélisation basée sur les données dans les neurosciences naturalistes à grande échelle, en mettant l'accent sur la représentation de l'activité cérébrale et les modèles de calcul.

Afficher plus

Concepts associés (32)

Modèles du neurone biologique

Modèle linéaire généralisé

Generalized linear mixed model

Régression linéaire

Linear least squares

Afficher plus