جلسه 30: مدل محاسباتی HMAX مبتی بر یادگیری و نورون‌های ضربه‌ای

 
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
اشتراک‌گذاری

×

گزارش خرابی

دانلود با کیفیت بالا
دانلود با حجم کم

جلسات علوم اعصاب محاسباتی

جلسه 1: مقدمه‌ای بر درس، سرفصل‌ها و نحوه ارزیابی
جلسه 2: هوشمندی چیست؟
جلسه 3: مقدمه‌ای بر علوم اعصاب
جلسه 4: سیستم عصبی موجودات زنده
جلسه 5: نورون و عملکرد آن
جلسه 6: سیناپس و عملکرد آن
جلسه 7: مقدمه‌ای بر مدل‌سازی و سطوح مختلف آن
جلسه 8: دینامیک نورونی
جلسه 9: مدل‌سازی نورون
جلسه 10: غشای نورونی منفعل
جلسه 11: مدل نورونی LIF
جلسه 12: مدل نورونی LIF غیر‌خطی
جلسه 13: مدل نورونی LIF تطبیق‌پذیر
جلسه 14: مدل نورونی Hudgkin-Huxley
جلسه 15: جمعیت نورونی
جلسه 16: شبکه نورونی متوازن
جلسه 17: فرآیند‌های تصمیم‌گیری در مغز
جلسه 18: کدگذاری و کدگشایی فعالیت‌های نورونی
جلسه 19: شبکه‌های عصبی ضربه‌ای
جلسه 20: یادگیری و فرآیند‌های مربوط به آن در مغز
جلسه 21: یادگیری بدون ناظر و قوانین مربوط به آن
جلسه 22: یادگیری تقویتی و قوانین مربوط به آن
جلسه 23: گروه‌های نورونی چندزمانی
جلسه 24: سیستم بینایی در مغز
جلسه 25: شبکه و هسته خمیده جانبی
جلسه 26: عملکرد قشر بینایی مغز
جلسه 27: سطوح مختلف مدل‌سازی نواحی اولیه قشر بینایی
جلسه 28: الگوهای ارتباطی بین نورون‌ها در نواحی مختلف مغز
جلسه 29: مدل محاسباتی HMAX برای مسئله‌ی بازشناسی اشیاء
جلسه 30: مدل محاسباتی HMAX مبتی بر یادگیری و نورون‌های ضربه‌ای
جلسه 31: شبکه‌های عصبی ضربه‌ای کم‌عمق
جلسه 32: شبکه عصبی ضربه‌ای عمیق
جلسه 33: یادگیری تقویتی در شبکه عصبی ضربه‌ای کم‌عمق
جلسه 34: یادگیری تقویتی در شبکه عصبی ضربه‌ای عمیق