Explore l'avancement des modèles système de l'intelligence humaine au moyen d'analyses comparatives intégrées et de l'importance de Brain-Score pour des comparaisons équitables de modèles.
Présente le programme de maîtrise en neuro-X, en mettant l'accent sur son approche interdisciplinaire et ses possibilités de carrière en neurotechnologie.
Couvre la fonction neuronale, les modèles hiérarchiques, les comportements des taxis odorants et les paramètres de circuit disparates dans 18 diapositives.
Explore l'optogénétique, la chimiogénétique et la sonogénétique pour concevoir l'activité neuronale à l'aide de la lumière, des produits chimiques et du son.
Explore le contrôle du comportement chez les animaux et les robots, couvrant les perspectives historiques, l'activation des neurones, le modèle de Drosophila, les techniques avancées et l'organisation de mini-projets.
Explore des modèles d'apprentissage automatique pour les neurosciences, en se concentrant sur la compréhension des fonctions cérébrales et la reconnaissance des objets centraux par le biais de réseaux neuronaux convolutifs.
Explore l'intersection entre les neurosciences et l'apprentissage automatique, en discutant de l'apprentissage profond, de l'apprentissage par renforcement, des systèmes de mémoire et de l'avenir du pont entre l'intelligence machine et l'intelligence humaine.
Se penche sur les défis de l'apprentissage profond, en explorant la dimensionnalité, les performances et les phénomènes sur-adaptés dans les réseaux neuronaux.
Explore l'évaluation environnementale systémique, l'analyse nationale des flux de matériaux et le développement d'un tableau de bord du métabolisme urbain pour Zurich à l'aide de données ouvertes.
Couvre l'utilisation de transformateurs en robotique, en se concentrant sur la perception incarnée et les applications innovantes dans la locomotion humanoïde et l'apprentissage du renforcement.
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Couvre les architectures de transformateurs avancées en apprentissage profond, en se concentrant sur les modèles Swin, HUBERT et Flamingo pour les applications multimodales.
