به مناسبت ۲۸ جولای زادروز کارل پوپر

مرزبندی بین علم تجربی و غیر-علم تجربی و ابطال‌پذیری

در سال ۱۹۳۴ کارل پوپر در یکی از تاثیرگذارترین کتب فلسفه علم
Logik der Forschung. Zur Erkenntnistheorie der modernen Naturwissenschaft
به مساله مرزبندی بین علم تجربی و غیر علم تجربی(شامل شبه علم) یا همان
Demarcation problem
پرداخت.

از نظر پوپر، آنچه باعث می‌شود یک نظریه "علمی" باشد، توانایی طراحی آزمایشاتی است که بتوان آن نظریه را به چالش کشید و رد کرد! در واقع نظریه ای علمی است که بالقوه ابطال‌پذیر باشد!

فیلم در مورد مرزبندی علم و شبه علم بحث می‌کند. علاوه بر ابطال‌پذیری مسائل زیر یاری‌گر هستند
-شبه علم به تناقضات درونی خود پاسخ درستی نمی‌دهد و سعی می‌کند به هر طریق خود را سرپا نگه دارد
-شبه علم با شواهد متعدد خارج از حیطه خود در تناقض است مانند تناقض مخالفان نظریه تکامل با زمین شناسی و ...
علم تنها عامل موثر در زندگی انسان‌ها نیست ولی عدم توجه به تفاوت علم و شبه علم منجر به سوء استفاده از اعتقادات و تمایلات دینی و مذهبی می‌شود مانند طب اسلامی و اقتصاد اسلامی و ..


در کانال اخلاق نشر و منابع علمی در تلگرام عضو شوید

يك هفته تا شروع

بیست و نهمین کارگاه ثبت،پردازش و تحلیل سیگنال های EEG

زمان برگزاری:

۷ الی ۹ شهریور ۱۴۰۳

ظرفيت باقيمانده: ٥ نفر

برای مشاهده سرفصل‌ها و ثبت نام كليک كنيد.

به مناسبت روز پزشک: اول شهریور

چه زمانی پزشکی آغاز شد؟
استفاده از گیاهان با خواص دارویی در بین پستانداران کاملا شناخته شده است مانند مصرف گیاه در گربه ها برای کمک به بالا آوردن گلوله های پشمی بلعیده شده.
جنبه اجتماعی حمایت از افراد آسیب دیده در گروه های خاص جانوری ایجاد شده است. به عنوان مثال شواهد کمک به افراد آسیب دیده گروه در نئاتدرتالها و حتی در آسترالوپتیکوس مشاهده شده است.
با این حال پزشکی تنها حمایت اجتماعی از افراد بیمار نیست، درمان افراد آسیب دیده به معنی پزشکی واقعی است. تا مدتی قبل تنها شواهد درمان فعال افراد آسیب دیده در انسانها مشاهده شده بود مانند ۳۱ هزار سال قبل و جراحی قطع اندام تحتانی موفق در بورنئو.

سال ۲۰۲۲ در یک بررسی نشان داده شد که شمپانزه ها از عصاره بدن یک حشره خاص استفاده کرده و زخم های خود و سایر اعضاء گروهشان را درمان می‌کنند. این اولین مشاهده کاربرد پزشکی در گونه های غیر از انسان است.

به نظر میرسد که درمان آسیب ها و بیمارهای سایر اعضاء گروه و گونه سابقه ای بسیار طولانی دارد و از جنبه های مهم تکامل بشر و سایر هومینین هاست.

#آدرس_کانال
http://t.me/pubethicsmums/2363

سالروز رحلت پیامبر مهربانی حضرت محمد( اللهم صلي علي محمد و آل محمد و عجل فرجهم) و شهادت کریم اهل بیت، امام حسن مجتبی(ع) را تسلیت عرض می کنیم.
#پیامبرمهربانی #کریم_اهل_بیت

Review of EEG, ERP, and Brain Connectivity Estimators as Predictive Biomarkers of Social Anxiety Disorder

دیدگاه Connectivity در مقالات همچنان بروز است

How capable is non-invasive EEG data of predicting the next movement? A mini review

همکار عزیز فناپ

اگر در میان اعضای خانواده یا دوستان خود داوطلب کنکور در رشته ریاضی و فیزیک می‌شناسید که علاقه‌مند به تحصیل در رشته کامپیوتر دانشگاه خاتم و دریافت بورسیه از فناپ است، لطفا اطلاعات وی را از طریق فرم زیر برای ما ارسال کنید:

https://tilin.ir/9Dp4A3D

#book

Fundamentals of Computational Neuroscience

Author(s): Thomas Trappenberg
Publisher: Oxford University Press, Year: 2023
Denoscription:
Computational neuroscience is the theoretical study of the brain to uncover the principles and mechanisms that guide the development, organization, information processing, and mental functions of the nervous system. Although not a new area, it is only recently that enough knowledge has been gathered to establish computational neuroscience as a scientific discipline in its own right. Given the complexity of the field, and its increasing importance in progressing our understanding of how the brain works, there has long been a need for an introductory text on what is often assumed to be an impenetrable topic.

Table of contents :
Cover
Fundamentals of Computational Neuroscience - Third Edition
Copyright
Preface
Mathematical formulas
Programming examples
References
Acknowledgements
Contents
I Background
1 Introduction and outlook
1.1 What is computational neuroscience?
1.1.1 Embedding within neuroscience
1.2 Organization in the brain
1.2.1 Levels of organization in the brain
1.2.2 Large-scale brain anatomy
1.2.3 Hierarchical organization of cortex
1.2.4 Rapid data transmission in the brain
1.2.5 The layered structure of neocortex
1.2.6 Columnar organization and cortical modules
1.2.7 Connectivity between neocortical layers
1.2.8 Cortical parameters
1.3 What is a model?
1.3.1 Phenomenological and explanatory models
1.3.2 Models in computational neuroscience
1.4 Is there a brain theory?
1.4.1 Emergence and adaptation
1.4.2 Levels of analysis
1.5 A computational theory of the brain
1.5.1 Why do we have brains?
1.5.2 The anticipating brain
1.5.3 Deep sparse predictive coding and the uncertain brain
2 Scientific programming with Python
2.1 The Python programming environment
2.2 Basic language elements
2.2.1 Basic data types and arrays
2.2.2 Control flow
2.2.3 Functions
2.2.4 Plotting
2.2.5 Timing the program
2.3 Code efficiency and vectorization
3 Math and Stats
3.1 Vector and matrix notations
3.2 Distance measures

3.3 The δ-function
3.4 Numerical calculus
3.4.1 Differences and sums
3.4.2 Numerical integration of an initial value problem
3.4.3 Euler method
3.4.4 Higher-order methods
3.5 Basic probability theory
3.5.1 Random numbers and their probability (density) function
3.5.2 Moments: mean, variance, etc.
3.5.3 Examples of probability (density) functions
3.5.3.1 Uniform distribution
3.5.3.2 Normal (Gaussian) distribution
3.5.3.3 Bernoulli distribution
3.5.3.4 Binomial distribution
3.5.3.5 Multinomial distribution
3.5.3.6 Poisson distribution
3.5.4 Cumulative probability (density) function and the Gaussian error function
3.5.5 Functions of random variables and the central limit theorem
3.5.6 Measuring the difference between distributions
3.5.7 Marginal, joined, and conditional distributions
II Neurons
4 Neurons and conductance-based models
4.1 Biological background
4.1.1 Structural properties
4.1.2 Information-processing mechanisms
4.1.3 Membrane potential
4.1.4 Ion channels
4.2 Synaptic mechanisms and dendritic processing
4.2.1 Chemical synapses and neurotransmitters
4.2.2 Excitatory/inhibitory synapses
4.2.3 modelling synaptic responses
Simulation
4.2.4 Different levels of modelling
4.3 The generation of action potentials: Hodgkin–Huxley
4.3.1 The minimal mechanisms
4.3.2 Ion pumps
4.3.3 Hodgkin–Huxley equations
4.3.4 Propagation of action potentials
4.3.5 Above and beyond the Hodgkin–Huxley neuron: the Wilson model
4.4 FitzHugh-Nagumo model
4.5 Neuronal morphologies: compartmental models
4.5.1 Cable theory
4.5.2 Physical shape of neurons
4.5.3 Neuron simulators
5 Integrate-and-fire neurons and population models
5.1 The leaky integrate-and-fire models
5.1.1 Response of IF neurons to very short and constant input currents
5.1.2 Rate gain function
5.1.3 The spike-response model
5.1.4 The Generalized LIF model
5.1.5 The McCulloch–Pitts neuron
5.2 Spike-time variability
5.2.1 Biological irregularities
5.2.2 Noise models for IF neurons
5.2.3 Simulating the variability of real neurons
5.2.4 The activation function depends on input
5.3 Advanced integrate-and-fire models
5.3.1 The Izhikevich neuron
5.4 The neural code and the firing rate hypothesis
5.4.1 Correlation codes and coincidence detectors
5.4.2 How accurate is spike timing?
5.5 Population dynamics: modelling the average behaviour of neurons
5.5.1 Firing rates and population averages
5.5.2 Population dynamics for slow varying input
5.5.3 Motivations for population dynamics
5.5.4 Rapid response of populations
5.5.5 Common activation functions
5.6 Networks with non-classical synapses
5.6.1 Logical AND and sigma–pi nodes
5.6.2 Divisive inhibition
5.6.3 Further sources of modulatory effects between synaptic inputs
6 Associators and synaptic plasticity
6.1 Associative memory and Hebbian learning
6.1.1 Hebbian learning
6.1.2 Associations
6.1.3 Hebbian learning in the conditioning framework
6.1.4 Features of associators and Hebbian learning
Pattern completion and generalization
Prototypes and extraction of central tendencies
Graceful degradation
6.2 The physiology and biophysics of synaptic plasticity
6.2.1 Typical plasticity experiments
6.2.2 Spike timing dependent plasticity
6.2.3 The calcium hypothesis and modelling chemical pathways
6.3 Mathematical formulation of Hebbian plasticity
6.3.1 Spike timing dependent plasticity rules
6.3.2 Hebbian learning in population and rate models
Simulation
6.3.3 Negative weights and crossing synapses
6.4 Synaptic scaling and weight distributions
6.4.1 Examples of STDP with spiking neurons
6.4.2 Weight distributions in rate models
6.4.3 Competitive synaptic scaling and weight decay
6.4.4 Oja’s rule and principal component analysis
6.5 Plasticity with pre- and postsynaptic dynamics
III Networks
7 Feed-forward mapping networks
7.1 Deep representational learning