Séances de cours associées à Estimation des paramètres

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 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.

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.

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.

Probabilité du train Spike à GLM MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Couvre le modèle linéaire généralisé (GLM) dans la neuroscience computationnelle.

Modélisation des données in vitro MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore la modélisation de données in vitro pour les neurosciences informatiques, y compris la prédiction de la tension sous-seuil et des temps de pointe.

Modélisation de l'électrophysiologie : différentes échelles MOOC: Les neurosciences reconstruites : Génétique et développement du cerveau

Couvre la modélisation de l'électrophysiologie à différentes échelles, en discutant des canaux ioniques, des neurones uniques et des microcircuits.

Estimation des moindres carrés pondérés : Algorithme IRLS

Explore l'algorithme IRLS pour l'estimation pondérée des moindres carrés dans GLM.

Estimation de vraisemblance et moindres carrés

Introduit une régression linéaire normale simple et multiple et une estimation du maximum de vraisemblance avec des exemples pratiques.

Réseaux d'attractions et neurones à épilation MOOC: Dynamique neuronale 2- Neurosciences computationnelles : Dynamique neuronale de la cognition

Explore les réseaux d'attraction, les neurones piquants, les données de mémoire et les réseaux réalistes dans la dynamique neuronale.

Introduction à l'apprentissage automatique : apprentissage supervisé

Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.

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.

Dynamique neuronale : Réseaux aléatoires MOOC: Dynamique neuronale 2- Neurosciences computationnelles : Dynamique neuronale de la cognition

Explore la dynamique des populations neuronales, en mettant l'accent sur les réseaux aléatoires et les arguments de terrain moyen pour la connectivité.

Seuil de tir dans les modèles 2D MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore les seuils de tir dans les modèles de neurones 2D, l'entrée des impulsions, l'initiation retardée des pics et le modèle FitzHugh-Nagumo.

Régression : Modèles linéaires

Introduit une régression linéaire, des modèles linéaires généralisés et des modèles à effet mixte pour l'analyse de régression.

MathDetour 1: Séparation des échelles de temps MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore le concept de séparation des échelles de temps dans les neurosciences computationnelles et la réduction des détails dans les modèles neuronaux bidimensionnels.

Interpike Intervalles et processus de renouvellement MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore les intervalles inter-spikes, les processus de renouvellement et les expériences d'évacuation du bruit dans la dynamique neuronale.

Modélisation de l'activité neuronale

Explore la modélisation de l'activité neuronale, y compris les taux de tir, les réponses aux stimuli et le comportement du réseau.

Comprendre les morphologies neuronales : les bases des neuromes MOOC: Simulation de la neuroscience

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.

Modèle de réponse Spike (SRM)MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Couvre le modèle de réponse Spike (SRM) dans la neuroscience computationnelle et sa relation avec le modèle adaptatif d'intégration et d'incendie.