סיכום הקורס גישות חישוביות להבנת המוח

גישות חישוביות להבנת המוח

תוכן עניינים

הרצאה 1 3
מבוא למודלים 3
מודל 4
דוגמאות לשלושה מודלים 5
הרצאה 2 9
התאמת המודל – מודל לינארי 9
דוגמא 16
השוואה בין מודלים 18
חוסר ודאות לגבי פרמטרים 19
הרצאה 3 21
מודלים לינאריים מוכללים (GLM) 21
תכונות מודל GLM 21
דוגמאות 26
רגולריזציה Regularization 28
הרצאה 4 29
Dimensionality Reduction – PCA 29
דוגמא לתהליך PCA עבור קלט דו-מימדי 32
Variation 34
אלגוריתם לחישוב PCA 36
הרצאה 5 37
Clustering 37
K-Means 39
Soft Clustering 41
Agglomerative Clustering 42
DBSCAN 43
הרצאה 6 43
Bayes Intro 43
חוק Bayes 44
Ventriloquist Effect (אפקט הפיתום) 47
Camouflage (אפקט הסוואה) 49
הרצאה 7 49
Bayes Modeling 49
הרצאה 8 56
Bayesian Models Applied 56
Nuisance parameters 64
הרצאה 9 65
Model Comparison 65
הרצאה 10 75
קידוד נוירוני Neuronal Encoding 75

הרצאה 1

מבוא למודלים
Intro to Models
אפשר לחשוב על חקר המוח כעל ecosystem (משהו ללא התחלה וסוף) –
• Experiments – מתחילים משאלת מחקר, אשר מניבה Data כלשהו (Generate Data).
• Analysis – בהינתן ה-Data שנאסף במסגרת הניסוי, מעבדים אותו לכדי Information (Data שעבר עיבוד), אותו ננסה לפרש (Interpret Data).
• Results – בהינתן ה-Information, נרצה להסיק מסקנות ולהסביר את המערכת (Explain the system).
• Models – על מנת להסביר את התוצאות, נבנה מודלים כלשהם, אשר מייצר היפותזות חדשות (Generate Hypothesis), אשר יכולים להוביל לשאלות מחקר חדשות.
אנחנו מתייחסים לתחום זה כאל ecosystem שכן למרות שיש סוף למחקר מסוים, הוא יכול להוות התחלה למחקר נוסף.

Ecosystem זה אינו רק מעגלי, וישנם מצבים של Crossover בין חלקים שונים.