Couvre les bases des réseaux, en mettant l'accent sur les réseaux du cerveau, les percées historiques, les découvertes de petits mondes et de réseaux sans échelle, et l'importance du connectome humain.
Introduit les bases de la connectomique cérébrale, y compris la terminologie, le prétraitement des données, l'IRM fonctionnelle, les mesures de connectivité et la structure modulaire.
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.
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.
Couvre les bases de la connectomique cérébrale, y compris les réseaux du cerveau, la terminologie, les schémas de données, le prétraitement, la connectivité des noeuds et la structure fonctionnelle du connectome.
Explore l'intégration de la structure et de la fonction cérébrales à l'aide des techniques de traitement des signaux graphiques, y compris l'IRM fonctionnelle et l'analyse du connectome structurel.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Explore la classification des neurones, soulignant l'importance de comprendre la complexité du cerveau et les défis dans la définition des types de cellules.
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.
Discute des défis liés à la construction de réseaux neuraux physiques, en mettant l'accent sur la profondeur, les connexions et la capacité de formation.
Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.
Introduit un apprentissage profond, de la régression logistique aux réseaux neuraux, soulignant la nécessité de traiter des données non linéairement séparables.
Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.
Introduit des fondamentaux d'apprentissage profond, couvrant les représentations de données, les réseaux neuronaux et les réseaux neuronaux convolutionnels.
