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'histoire et les défis du calcul d'inspiration biologique, en se concentrant sur la construction de machines intelligentes et la compréhension du fonctionnement du cerveau.
Plonge dans les mécanismes cellulaires des interactions sensorimotrices dans le cerveau, en mettant l'accent sur le contrôle du mouvement des moustaches.
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.
Déplacez-vous dans le Graph Signal Processing dans les réseaux du cerveau, mettant l'accent sur l'intégration de la structure du cerveau et de la fonction par des techniques innovantes.
Explore l'application de la physique statistique à la compréhension de l'apprentissage profond en mettant l'accent sur les réseaux neuronaux et les défis de l'apprentissage automatique.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Introduit des fondamentaux d'apprentissage profond, couvrant les représentations de données, les réseaux neuronaux et les réseaux neuronaux convolutionnels.
Explore le traitement du signal graphique appliqué aux réseaux cérébraux, en mettant l'accent sur la relation entre la fonction cérébrale et la structure en utilisant des méthodes telles que le graphique Fourier Transform et l'indice de découplage structural.
Explore l'intelligence visuelle, la formation d'images, la vision par ordinateur et la compréhension de la représentation dans les machines et les esprits.
