Dieses Modul führt Sie in die fesselnde Welt der neuronalen Informationskodierung ein. Sie lernen die Technologien kennen, die zur Aufzeichnung der Gehirnaktivität verwendet werden. Anschließend werden wir einige mathematische Formulierungen entwickeln, die es uns ermöglichen, die Spikes der Neuronen als Code zu charakterisieren, und zwar auf immer detaillierteren Ebenen. Schließlich untersuchen wir die Variabilität und das Rauschen im Gehirn und wie unsere Modelle diese berücksichtigen können.

In diesem Modul drehen wir die Frage der neuronalen Kodierung um und fragen: Können wir allein anhand der neuronalen Aktivität abschätzen, was das Gehirn sieht, beabsichtigt oder erfährt? Dies ist das Problem der neuronalen Dekodierung, das bei Anwendungen wie Neuroprothetik und Gehirn-Computer-Schnittstellen, bei denen die Schnittstelle die Bewegungsabsichten einer Person aus der neuronalen Aktivität dekodieren muss, eine zunehmend wichtige Rolle spielt. Als Bonus für dieses Modul kommen Sie in den Genuss eines Gastvortrags des bekannten Computational Neuroscientist Fred Rieke.

Dieses Modul wird die engen Verbindungen zwischen dem ehrwürdigen Gebiet der Informationstheorie und dem ebenso ehrwürdigen Objekt namens Gehirn aufdecken.

Dieses Modul führt Sie in die Welt der Biophysik von Neuronen, wo Sie eines der berühmtesten mathematischen Modelle der Neurowissenschaften kennenlernen werden, das Hodgkin-Huxley-Modell der Erzeugung von Aktionspotenzialen (Spikes). Wir werden uns auch mit anderen Modellen von Neuronen befassen und lernen, wie man die Struktur eines Neurons modelliert, einschließlich der komplizierten Verzweigungen, die Dendriten genannt werden.

In diesem Modul wird untersucht, wie Modelle von Neuronen miteinander verbunden werden können, um Netzwerkmodelle zu erstellen. Die erste Vorlesung zeigt Ihnen, wie Sie diese bemerkenswerten Verbindungen zwischen Neuronen, die Synapsen, modellieren können. In dieser Vorlesung lernen Sie ein einfaches Netzwerk aus integrierenden und feuernden Neuronen kennen, die sich gegenseitig folgen oder synchron tanzen. In der zweiten Vorlesung lernen Sie Modelle für die Feuerrate und Feedforward-Netzwerke kennen, die ihre Eingaben in einem einzigen "Feedforward"-Durchgang in Ausgaben umwandeln. Die letzte Vorlesung führt Sie in die dynamische Welt der rekurrenten Netzwerke, die Rückkopplungen zwischen Neuronen für Verstärkung, Gedächtnis, Aufmerksamkeit, Oszillationen und mehr nutzen!

In diesem Modul werden Modelle der synaptischen Plastizität und des Lernens im Gehirn untersucht. Dazu gehört auch das vorausschauende Rezept eines kanadischen Psychologen, wie Neuronen lernen sollten (Hebb'sches Lernen) und die Erkenntnis, dass Gehirne Statistiken erstellen können (auch wenn wir selbst das manchmal nicht können)! Die nächsten beiden Vorträge befassen sich mit dem unüberwachten Lernen und Theorien über die Funktion des Gehirns, die auf Sparse Coding und Predictive Coding basieren.

In diesem letzten Modul beschäftigen wir uns mit überwachtem Lernen und Verstärkungslernen. Die erste Vorlesung führt Sie mit Hilfe berühmter Gesichter aus Politik und Bollywood in das überwachte Lernen ein, stellt Neuronen als Klassifizierer vor und gibt Ihnen einen Vorgeschmack auf das Fundament des überwachten Lernens, die Backpropagation, mit deren Hilfe Sie lernen werden, einen LKW rückwärts in eine Laderampe zu fahren.2. und 3. In der zweiten Vorlesung lernen Sie, wie man Belohnungen à la Pawlows Hund vorhersagt und erkunden die Verbindung zu der wichtigen belohnungsbezogenen Chemikalie in unseren Gehirnen: Dopamin. In der dritten Vorlesung lernen wir, wie man die besten Handlungen zur Maximierung der Belohnungen auswählt, und untersuchen eine mögliche neuronale Implementierung unseres Rechenmodells in der Gehirnregion, die als Basalganglien bekannt ist. Das große Finale: Fliegen eines Hubschraubers mit Hilfe von Reinforcement Learning!