درود دوستان. برای این مجموعه اگر مقاله مشخصی میشناسید که دوست دارید بررسی کنیم زیر این پست بفرستید. بهتره با مقالات آسان تر و قابل فهم شروع کنیم. بخصوص اگر که دیتا رو به اشتراک گذاشته باشن خیلی بهتره که بتونیم دانلود کنیم و روی دیتا کار کنیم و سعی کنیم تصاویر مقاله رو بازتولید کنیم. بخشی از آنالیزهایی که فکر میکنم بد نباشه باهاش شروع کنیم اینهاست:

Classification problems:
- Support vector machines, regression models, generalized linear models

Dimensionality reduction and latent dynamics estimation:
- Nonlinear: Isomap, UMAP, ...; Linear: PCA, NNMF, ...

Single unit analysis:
- Plotting PSTHs, spike density functions, ...

Cell assembly detection and population dynamics analysis

اگر مقالات مشخصی در این حوزه و یا حوزه های مشابه برای شروع میشناسید معرفی کنید.

یکشنبه این هفته مقاله زیر رو ارائه خواهم کرد و بعدش در هفته های بعدی سعی میکنیم Figure 1 این مقاله رو توی پایتون با هم کار کنیم. دیتا این داده در دسترس و با حجم کم قابل دانلود هست که فکر میکنم برای بسیاری از شما راحت بشه. کدها کامل در دسترس نیست ولی خودمون مینویسیم و سعی میکنیم شبیه مقاله در بیاریم. سعی میکنم یک مسیر کامل از فهم مقاله، دریافت کد و داده ها، بررسی آنالیز های تصویر اول و ساخت Figure در Adobe Illustrator رو کامل توضیح بدم که یک پکیج کامل باشه. در این مسیر از ChatGPT هم خیلی کمک میگیریم که ببینید چطوری باید با این هوش مصنوعی ارتباط برقرار کنید تا به چیزی که میخواید برسید.

پیش نیاز: برنامه نویسی ابتدایی با پایتون

تصویر اول این مقاله شامل آنالیز های زیر میشه:

Principal Component Analysis,
Cosine similarity and correlation
UMAP
SVM decoding

جلسات شنبه یا یکشنبه ساعت شش خواهد بود. جلسات منسجم نیست و بسته به اینکه مقاله خوبی پیدا بشه یا نه و میزان مشارکت جلو میره. (یعنی هر هفته پشت سر هم شاید جلسه نباشه. هر وقت مقاله خوبی پیدا کنیم جلسه میذاریم و تا وقتی تمام کنیم بخش های اون مقاله رو پیش میریم)

بیشتر جلسات نوروسینتکس ضبط و در کانال یوتیوب یا تلگرام پخش میشن که میتونید از زیر مشاهده کنید:

https://www.youtube.com/@neurosyntaxacademy/playlists

برای این جلسات مقالاتی که پیشنهاد میکنید رو میتونید خودتون ارائه بدید و یا اگر فرد دیگری علاقه منده ارائه بده. من تمامی مقالات رو ارائه نخواهم داد.

حتی اگر علاقه مند به موضوع مقاله نیستید در این مجموعه جلسات شرکت کنید. قراره مثل یک پژوهشگر حوزه علوم اعصاب خودمون رو جای نویسندگان این مقاله بذاریم، سوالشون رو بفهمیم، برای این سوال آزمایش طراحی کنیم، ببینیم بر مبنای داده جمع آوری شده چطور میتونیم به اون پرسش های اولیه پاسخ بدیم و بعدش چطور این نتایج رو رسم کنیم و چاپ کنیم. این یک مسیر کامل خواهد بود و تجربه نادری از آموزش فعال. بدون شک با شرکت کردن شما من هم انرژی بیشتری میگیرم و توان بیشتری میذارم.

در این مجموعه با ابزارهای مختلف روز علوم اعصاب هم شما رو آشنا میکنم که در دسترس هستند و میتونید برای پروژه های کنونی یا آینده خودتون هم از اون استفاده کنید.

نام این مجموعه رو میذاریم "آزمایشگاه نوروسینتکس" - Neurosyntax Lab

فردا نخستین جلسه این مقاله خواهد بود - ساعت شش به وقت تهران - محل برگزاری جلسه زوم خواهد بود و لینک جلسه نیم ساعت قبل ارسال خواهد شد. لطفا نرم افزار زوم رو نصب کنید تا فردا دچار مشکل نباشید.

لینک شرکت در جلسات آزمایشگاه نوروسینتکس

https://vanderbilt.zoom.us/j/95414398597

آغاز ثبت نام گام دوم دوره جامع "مقدمه ای بر سیبرنتیک"

گام دوم: شرحی بر سیستم‌های کنترل

لینک ثبت‌نام گام دوم

این گام به صورت 8 ساعت درسگفتار در 4 جلسه است که در نرم‌افزار زوم برگزار می‌شود.

فیلم جلسات بلافاصله پس از کلاس در اختیار دانشجویان قرار می‌گیرد.

علاوه بر این 8 ساعت، تعدادی درسگفتار و مطالب تکمیلی در اختیار دانشجویان قرار خواهد گرفت.



توجه: برای تسهیل دسترسی علاقه‌مندان به شرکت در این دوره، دانشجویانی که پیش‌ از برگزاری جلسات آنلاین ثبت‌نام کنند، می‌توانند با کد تخفیف زیر از 70% تخفیف برخوردار شوند.

🔽🔽
کد تخفیف: AZR403



سرفصل‌های گام دوم

نقشه راه دوره جامع "مقدمه ای بر سیبرنتیک"

همچنین دوستانی که علاقه مند به شرکت در گام قبلی هستند می توانند از لینک زیر ثبت نام کنند.

لینک ثبت‌نام در گام اول(نگاهی تاریخی به سیبرنتیک)

@the_maze2022

آزمایشگاه نوروسینتکس - قسمت اول

در مجموعه جلسات آزمایشگاه علوم اعصاب، تلاش می‌کنیم خود را جای پژوهشگران مقالات علمی قرار داده و پرسش‌ها و رویکردهای آن‌ها را نقد کنیم. با استفاده از داده‌های به اشتراک‌گذاشته‌شده، به روش‌های متنوع تحلیل داده‌ها آشنا می‌شویم. در این مجموعه، شما یاد می‌گیرید:

تفکر نقادانه داشته باشید.
پرسش‌های مناسب مطرح کنید.
رویکردهای تحلیلی متناسب با پرسش‌های خود انتخاب کنید.
تصاویر جذاب تولید کرده و مقاله بنویسید.

موضوع این قسمت:
چگونه می‌توانیم با داده‌های نورونی (اسپایک، کلسیم، fMRI و ...) تصمیم بگیریم که یک مدار نورونی Generalization یا Discrimination انجام می‌دهد؟

آنچه در این قسمت خواهید آموخت:

▫️آشنایی با ساختار جلسات
▫️کار با پلتفرم Connectivity موسسه Allen
▫️بررسی مقاله Structure and flexibility in cortical representations of odour space
▫️آشنایی با Decoding بر اساس فعالیت جمعیت نورونی
▫️آشنایی با روش‌های UMAP و Support Vector Machine (SVM)

پیش‌نیازها این مقاله:
مشاهده جلسات 1 تا 4 مجموعه Matrix Decomposition

مشاهده مجموعه آموزش برنامه نویسی پایتون (این جلسات رو من قبلا ضبط و در کانال سوفی فیلیا قرار دادم که میتونید دانلود و مشاهده کنید):
https://news.1rj.ru/str/SophyPhiliaAcademy/56


کانال تلگرام:
https://news.1rj.ru/str/Neuro_Syntax


#neurosyntax #lab

درود دوستان، سپاس از تمامی کسانی که این جلسه شرکت کردن. بدون شک بخش بزرگی از انرژی من برای تولید این محتوا از شرکت شما در جلسات و تماشای بحث ها میاد. امیدوارم که آپلود شدن ویدیوها در یوتیوب باعث نشه در جلسات حضوری شرکت نکنید چون این جلسات با حضور شما فعال تر میشه.

در جلسه آینده درباره Support Vector Machines و به طور کلی تر Classification و Decoding صحبت میکنیم و از دیتاهای شبیه سازی شده و دیتاهای این مقاله استفاده میکنیم تا نحوه پیاده سازی این آنالیز در پایتون رو فرابگیریم.

پاسخ به پرسش درباره پیش نیازها

این وبینار پوریا رو فراموش نکنید. اندیشه کردن درباره مرز بین زیست و غیر زیست، همسان و مرتبط با اندیشه کردن درباره مرز بین عاملیت و غیر عاملیت و مرز بین شناخت و غیر شناخت هست. بحث درباره موجود زنده و غیرزنده میتونه اندیشه های ما درباره شناخت و توضیح سیستم عصبی رو دستخوش تغییرات جدی قرار بده.

میکلا ماسیمی فیلسوف مهمی برای دوران ماست و بحث Perspectival Realism رویکردهای ما درباره مشاهده و توضیح نتایج علمی رو دگرگون میکنه. این وبینار رو هم فراموش نکنید. اگر این رو نرفتید ویدیو یوتیوب پایین رو ببینید:

"Realism, Perspectivism and Reality" by Michela Massimi

یا بهتر از اون اصل کتاب رو بخونید:

Perspectival Realism (Oxford Studies in Philosophy of Science)

اگر دو برابر عمر میداشتم و روزها هم 48 ساعت بود، دوست داشتم این کتاب رو با هم بخونیم و بحث کنیم ولی عمر کوتاهه و منم پیر شدم.

سلام دوستان،

من در حال کار روی پروژه‌ای هستم که هدفم استخراج ویژگی‌های دینامیکی سیستم، بدون استفاده از مدل‌سازی دینامیکی مستقیم هست. یکی از موضوعات مورد توجهم پیدا کردن Attractor States در داده‌هاست؛ یعنی بررسی این که آیا چنین حالت‌هایی در داده (من با داده‌های اسپایک مغز کار می‌کنم) وجود دارند یا نه، و اگر وجود دارند، چه ویژگی‌هایی دارند.

برای این کار چند مقاله پیدا کردم اما در مورد رویکردها هنوز مطمئن نیستم. چیزی که در ذهنمه اینکه ابتدا با یک رویکرد data-driven یک مدل ساده بسازیم. این مدل میتونه مبتنی بر Dimensionality Reduction (مثل PCA یا روش‌های دیگر) باشه. بعدش در فضای کاهش‌یافته جدید، حالت‌ها (states) رو با استفاده از روش‌هایی مانند کلاستربندی‌های ساده (k-means) یا رویکردهای پیچیده‌تر مثل Hidden Markov Model (HMM) یا Kalman Filter شناسایی کنیم.

بعد از شناسایی این حالت‌ها، میتونیم برای بررسی Attractor States مدت‌زمانی که سیستم در یک حالت خاص باقی میمونه رو تحلیل کنیم. این کار منجر به ساختن یک توزیع از مدت‌زمان حضور در هر حالت می‌شود. سپس میتونیم بررسی کنیم که آیا این توزیع غیرهمگن است یا نه و چه الگوهایی می‌توان از آن استخراج کرد.

سؤالاتی که دارم:
1. آیا این رویکردها را در مقالات علوم اعصاب دیدید؟ اگر بله، خوشحال میشم مقالات مربوطه رو برام ارسال کنید.
2. اگر راه‌حل‌های بهتری برای این کار وجود دارد، لطفاً به من معرفی کنید.
3. اگر با HMM یا رویکردهای مشابه کار کرده‌اید، لطفاً پیام بدید تا بتونم چند سؤال بپرسم.