Explore les états internes et le contrôle hiérarchique dans la robotique, en se concentrant sur les comportements et les circuits neuraux pour la faim.
Explore les concepts de contrôle hiérarchique en robotique, y compris la commutation, la hiérarchisation et les chaînes d'information, pour atteindre des comportements robotiques complexes.
Explore les mécanismes neuronaux de la cartographie d'orientation chez les mouches en utilisant des cellules de lieu et des cellules de direction de la tête, des repères visuels et des indices d'auto-motion.
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.
Les couvertures comportent des méthodes d'extraction, de regroupement et de classification pour les ensembles de données de grande dimension et l'analyse comportementale utilisant PCA, t-SNE, k-means, GMM et divers algorithmes de classification.
Couvre la régression linéaire, lanalyse de corrélation et les fondamentaux de régression logistique, en mettant laccent sur la distinction entre la corrélation et la causalité.
Explore les techniques de regroupement de comportement et de réduction de dimensionnalité non supervisées, couvrant des algorithmes comme K-Means, DBSCAN et Gaussian Mixture Model.
