×
ribbon

آموزش رایگان علوم اعصاب محاسباتی

مدرس:دانشگاه تهران

محمد گنج‌تابش

علوم اعصاب محاسباتی شاخه ای از علم است که در آن از دیدگاه محاسباتی به بررسی و درک... بیشتر
4.7 (58)
25 دیدگاه
5,424دانشجو
24ساعت
سرفصل‌ها

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

این دوره شامل:

24 ساعت ویدئو

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

1 فصل34 جلسه24 ساعت ویدیو
علوم اعصاب محاسباتی
  جلسه 1: مقدمه‌ای بر درس، سرفصل‌ها و نحوه ارزیابی
09:50
  جلسه 2: هوشمندی چیست؟
27:25
  جلسه 3: مقدمه‌ای بر علوم اعصاب
12:28
  جلسه 4: سیستم عصبی موجودات زنده
30:59
  جلسه 5: نورون و عملکرد آن
42:15
  جلسه 6: سیناپس و عملکرد آن
30:35
  جلسه 7: مقدمه‌ای بر مدل‌سازی و سطوح مختلف آن
26:19
  جلسه 8: دینامیک نورونی
25:37
  جلسه 9: مدل‌سازی نورون
24:40
  جلسه 10: غشای نورونی منفعل
71:46
  جلسه 11: مدل نورونی LIF
32:59
  جلسه 12: مدل نورونی LIF غیر‌خطی
35:22
  جلسه 13: مدل نورونی LIF تطبیق‌پذیر
30:42
  جلسه 14: مدل نورونی Hudgkin-Huxley
65:07
  جلسه 15: جمعیت نورونی
43:17
  جلسه 16: شبکه نورونی متوازن
25:56
  جلسه 17: فرآیند‌های تصمیم‌گیری در مغز
42:13
  جلسه 18: کدگذاری و کدگشایی فعالیت‌های نورونی
43:46
  جلسه 19: شبکه‌های عصبی ضربه‌ای
32:45
  جلسه 20: یادگیری و فرآیند‌های مربوط به آن در مغز
22:16
  جلسه 21: یادگیری بدون ناظر و قوانین مربوط به آن
57:06
  جلسه 22: یادگیری تقویتی و قوانین مربوط به آن
53:47
  جلسه 23: گروه‌های نورونی چندزمانی
64:16
  جلسه 24: سیستم بینایی در مغز
19:09
  جلسه 25: شبکه و هسته خمیده جانبی
86:28
  جلسه 26: عملکرد قشر بینایی مغز
76:42
  جلسه 27: سطوح مختلف مدل‌سازی نواحی اولیه قشر بینایی
31:04
  جلسه 28: الگوهای ارتباطی بین نورون‌ها در نواحی مختلف مغز
64:29
  جلسه 29: مدل محاسباتی HMAX برای مسئله‌ی بازشناسی اشیاء
63:41
  جلسه 30: مدل محاسباتی HMAX مبتی بر یادگیری و نورون‌های ضربه‌ای
84:51
  جلسه 31: شبکه‌های عصبی ضربه‌ای کم‌عمق
43:50
  جلسه 32: شبکه عصبی ضربه‌ای عمیق
59:45
  جلسه 33: یادگیری تقویتی در شبکه عصبی ضربه‌ای کم‌عمق
56:58
  جلسه 34: یادگیری تقویتی در شبکه عصبی ضربه‌ای عمیق
24:20

توضیحات دوره

علوم اعصاب محاسباتی شاخه‌ای از علم است که در آن از دیدگاه محاسباتی به بررسی و درک فرایند‌های موجود در مغز موجودات زنده پرداخته می‌شود. طی سال‌های اخیر مدل‌های محاسباتی مختلفی برای انجام برخی از وظایف شناختی ما انسان‌ها ارائه شده‌است که کارایی آن‌ها در برخی از موارد از انسان‌ها نیز بهتر بوده‌است. این اتفاق با ظهور تکنیک‌های جدید در هوش مصنوعی، به‌عنوان مثال می‌توان به یادگیری عمیق اشاره کرد، سرعت بیشتری به خود گرفته است، اما نکته اصلی این است که چگونه هوش مصنوعی می‌تواند نهایتاً از هوش طبیعی ما انسان‌ها پیشی گیرد؟ آیا ماشین‌ها نیز می‌توانند مانند ما انسان‌ها دارای خلاقیت، نوآوری و یا حتی خودآگاهی شوند؟ به نظر می‌رسد مشکل اصلی در پیاده‌سازی این قابلیت‌ها، عدم وجود یک تعریف فرمال برای این مفاهیم است و تا زمانی که چنین تعریفی برای آن‌ها ارائه نشود، نمی‌توان انتظار داشت که هوشمندی ماشین‌ها (که به صورت فرمال عمل می‌کنند) از ما انسان‌ها پیشی بگیرد و ازطرف‌دیگر، مصداق‌های زیادی از موجودات هوشمند در اختیار است که با مطالعه آن‌ها می‌توان به ماهیت هوشمندی در این موجودات پی برد.

اینگونه مطالعات در حوزه‌ی علوم اعصاب و علوم شناختی در حال انجام بوده و یافته‌های ارزشمندی در خصوص عملکرد مغز موجودات به‌دست آمده و روز به روز بر دانش ما از مغز اضافه می‌شود. تکنیک‌های مختلف برای نقشه‌برداری از مغز ابداع و عملکرد مغز به‌صورت دقیق و علمی در حال مطالعه است. تلاش برای مدل‌سازی محاسباتی اینگونه یافته‌ها و پیاده‌سازی مدل‌های ارائه شده می‌تواند درجاتی از هوشمندی را در کامپیوتر‌ها به ارمغان بیاورد. با این روند، هرچه دانش ما از عملکرد نواحی مختلف مغز بیشتر شود، هوش مصنوعی نیز به هوش طبیعی نزدیکتر خواهد شد.

با توجه به مقدمه‌ ذکر شده، درس علوم اعصاب محاسباتی با هدف آشنایی هرچه بیشتر علاقه‌مندان به این حوزه ارائه شده‌است. عدم وجود یک درس منسجم، که در آن جنبه‌های مختلف هوش مصنوعی از دیدگاه علوم اعصاب به‌صورت منطقی در کنار هم قرار گرفته باشند، از انگیزه‌های اصلی در ارائه این درس بوده‌است. در تمامی مطالب این درس، سعی شده‌است که ابتدا یافته‌های زیستی از عملکرد نواحی مختلف مغز و همچنین واحد‌های سازنده آن (نورون‌ها و سیناپس‌ها) ارائه شده باشد و سپس نظریه‌های مطرح در خصوص مدل‌های ریاضی و محاسباتی (بر پایه یافته‌های زیستی) آورده شوند. در قسمت دوم این درس، سیستم بینایی انسان، به طور خاص، به همراه برخی از مدل‌های محاسباتی آن ارائه شده‌است.

این درس برای تمامی علاقه‌مندان به حوزه‌های علوم اعصاب، علوم شناختی و همچنین آموزش هوش مصنوعی می‌تواند مفید باشد. پیش‌نیاز خاصی برای دنبال کردن مطالب این درس وجود ندارد، هر چند آشنایی با ریاضیات، برنامه‌نویسی، و هوش مصنوعی کلاسیک می‌تواند در درک بهتر مفاهیم این درس کمک کننده باشد.

دیدگاه کاربران

4.7

بر اساس امتیاز 58 دانشجو

1
2
3
4
5

علی عماد

22 روز پیش

5

فقط میتونم بگم عالی

سیمین علی بانی

1 ماه پیش

5

با سلام، ممنون از این دوره بسیار خوبی که برگزار کردید و به اشتراک گذاشته شد. مطالب منسجم و منظم بود و بیان استاد دوره فوق العاده قابل فهم. متشکرم

پیمان ابوالقاسمی ابیانه

1 ماه پیش

5

فوق العاده بیان مناسب، پوشش مطالب مهم و کاربردی و تدریس مناسب افراد مبتدی و آکادمیک

دانشجوی دوره

1 ماه پیش

5

عالی

نکیسا برزگر

1 ماه پیش

5

این دوره را به تمامی علاقمندان حوزه علوم اعصاب محاسباتی توصیه میکنم.

عطیه محمدی

5 ماه پیش

5

این دوره سعی کرده تقریبا ساده و نسبتا کامل مباحث رو توضیح بده من ممنونم از استاد که این دوره رو زحمت کشیدن در اختیار ما قرار دادند

8دوره
42,090دانشجو
354نظر و امتیاز

دکتر محمد گنج‌تابش عضو هیئت‌علمی گروه علوم کامپیوتر دانشگاه تهران است. ایشان دوره کارشناسی خود را در رشته ریاضی محض از دانشگاه تبریز و دوره‌های کارشناسی ارشد و دکتری را در رشته علوم کامپیوتر از دانشگاه تهران به اتمام رسانده‌اند. ایشان همچنین دکتری دوم خود را در رشته بیوانفورماتیک دانشگاه اکول پلی‌تکنیک فرانسه گذرانده‌اند. زمینه‌های تحقیقاتی موردعلاقه وی الگوریتم‌های بیوانفورماتیک (مسائل مربوط به ساختارهای RNA) و علوم اعصاب محاسباتی، به‌خصوص شبکه‌های عصبی ضربه‌ای و مدل‌سازی فرایندهای سیستم بینایی در مغز است.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

دیگر دوره‌های محمد گنج‌تابش

سوالات پرتکرار

آیا ممکن است برخی جلسات یک درس ناقص باشند؟

معمولا تمامی جلسات هر درس به‌طور کامل ضبط می‌شوند؛ اما گاهی به دلیل برخی ناهماهنگی‌ها ممکن است یک یا چند جلسه ضبط نشده باشد. جزئیات این موارد در توضیحات هر درس درج شده است.

اگر لینک دانلود یا پخش ویدئو مشکل داشت، چه کاری باید انجام داد؟

در صورت مواجهه با هرگونه مشکل در دانلود یا پخش ویدئو، می‌توانید از طریق صفحه ارتباط با ما اطلاع دهید تا تیم پشتیبانی به‌سرعت مشکل را بررسی و رفع کند.

آیا می‌توان ویدئوهای یک درس را به‌صورت سی‌دی یا دی‌وی‌دی از شما تهیه کرد؟

در حال حاضر امکان ارسال دروس به‌صورت سی‌دی یا دی‌وی‌دی وجود ندارد و همه محتواها به شکل آنلاین ارائه می‌شوند.