Forwarded from پوریا آزادی (Poria Azadi) (Poria)
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
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.
🔽🔽
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
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
YouTube
آزمایشگاه نوروسینتکس - قسمت 1
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:…
NeuroSyntax
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.…
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.
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.
Forwarded from علوم زیستی - مدارس میانرشتهای
Please open Telegram to view this post
VIEW IN TELEGRAM
علوم زیستی - مدارس میانرشتهای
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.
NeuroSyntax
https://univienna.zoom.us/meeting/register/u5Mqcu-pqT4oHNwGbGXKYPsVFlo7N1xg3AAv
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.
"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.
YouTube
"Realism, Perspectivism and Reality" by Michela Massimi
Michela Massimi is a Professor of Philosophy of Science in the Department of Philosophy at the University of Edinburgh, affiliated with the Higgs Centre for Theoretical Physics, and a Fellow of the Royal Society of Edinburgh. She did her Ph.D. at the London…
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.
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.
NeuroSyntax
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…
درود،
درباره این فکر کردم شاید کمی بیشتر توضیح بدم بهتره. فرض کنید شما مجموعه از اندازه گیری ها (مشاهدات - داده) دارید از یک سیستم که در زمان تغییر میکنه (پویا هست). اما برای این مشاهدات یک مدل دیفرانسیلی مشخص ندارید. با این علاقه مند هستید برخی از ویژگی های دینامیکی سیستم رو تخمین بزنید. حالا پرسش من این هست که رویکردهای Data-driven برای چنین کارهایی چی هستن که در علوم اعصاب استفاده شده باشه و قابل قبول باشه.
برای نمونه در مثال پست قبلی من گفتم یکی از رویکردهایی که بهش فکر کردم (با ایده برداری از کارهایی که خوندم) اینکه من بیام توالی حالات سیستم رو از طریق Dimentionality reduction + HMM بدست بیارم و بعدش Transition Matrix مدل HMM رو به عنوان مدل احتمالی و خطی سیستم فرض بگیرم. اونوقت میشه به روش های مختلف برخی ویژگی ها رو استخراج کرد. برای نمونه فکر میکنم میشه روی Eigenvalue های این Transition Matrix کار کرد تا Fixed Point ها رو بدست آورد و بررسی کرد و یا میشه توزیع زمان حضور سیستم در هر کدوم از حالات تخمین زده رو بدست آورد و بر مبنای این توزیع بررسی کرد سیستم به چه سمت هایی حرکت میکنه.
برخی مقالات هستن که سعی کردن چنین کارهایی بکنن:
https://arxiv.org/abs/2202.09171
ولی در علوم اعصاب کمتر دیدم. در علوم اعصاب بیشتر دیدم که سابجکت رو در تسک هایی که مدل دیفرانسیلی داره بررسی میکنن که خب چون مدل وجود داره آنالیز هاش مشخص تره. مقالاتی هم یادم هست در علوم اعصاب خوندم (که الآن سایتیشن رو یادم رفته شوربختانه) که با K-means کلاستربندی میکنن و بررسی ها رو انجام میدن.
حالا هر مقاله جالبی که رویکردهای data-driven معرفی بکنه برام ارسال کنید. توجه کنید که قراره من این ها رو روی داده نورونی (مجموعه اسپایک گروهی از نورون ها) اعلام کنم در نتیجه باید برای این نوع داده سازگار باشه.
درباره این فکر کردم شاید کمی بیشتر توضیح بدم بهتره. فرض کنید شما مجموعه از اندازه گیری ها (مشاهدات - داده) دارید از یک سیستم که در زمان تغییر میکنه (پویا هست). اما برای این مشاهدات یک مدل دیفرانسیلی مشخص ندارید. با این علاقه مند هستید برخی از ویژگی های دینامیکی سیستم رو تخمین بزنید. حالا پرسش من این هست که رویکردهای Data-driven برای چنین کارهایی چی هستن که در علوم اعصاب استفاده شده باشه و قابل قبول باشه.
برای نمونه در مثال پست قبلی من گفتم یکی از رویکردهایی که بهش فکر کردم (با ایده برداری از کارهایی که خوندم) اینکه من بیام توالی حالات سیستم رو از طریق Dimentionality reduction + HMM بدست بیارم و بعدش Transition Matrix مدل HMM رو به عنوان مدل احتمالی و خطی سیستم فرض بگیرم. اونوقت میشه به روش های مختلف برخی ویژگی ها رو استخراج کرد. برای نمونه فکر میکنم میشه روی Eigenvalue های این Transition Matrix کار کرد تا Fixed Point ها رو بدست آورد و بررسی کرد و یا میشه توزیع زمان حضور سیستم در هر کدوم از حالات تخمین زده رو بدست آورد و بر مبنای این توزیع بررسی کرد سیستم به چه سمت هایی حرکت میکنه.
برخی مقالات هستن که سعی کردن چنین کارهایی بکنن:
https://arxiv.org/abs/2202.09171
ولی در علوم اعصاب کمتر دیدم. در علوم اعصاب بیشتر دیدم که سابجکت رو در تسک هایی که مدل دیفرانسیلی داره بررسی میکنن که خب چون مدل وجود داره آنالیز هاش مشخص تره. مقالاتی هم یادم هست در علوم اعصاب خوندم (که الآن سایتیشن رو یادم رفته شوربختانه) که با K-means کلاستربندی میکنن و بررسی ها رو انجام میدن.
حالا هر مقاله جالبی که رویکردهای data-driven معرفی بکنه برام ارسال کنید. توجه کنید که قراره من این ها رو روی داده نورونی (مجموعه اسپایک گروهی از نورون ها) اعلام کنم در نتیجه باید برای این نوع داده سازگار باشه.
arXiv.org
Linearization and Identification of Multiple-Attractor Dynamical...
Dynamical Systems (DS) are fundamental to the modeling and understanding time evolving phenomena, and have application in physics, biology and control. As determining an analytical denoscription of...
Forwarded from پوریا آزادی (Poria Azadi) (Poria)
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
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.
🔽🔽
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
علوم زیستی - مدارس میانرشتهای
ویدیو ضبط شده جلسه
Self-organization, active matter and agency: why life is really different from inanimate matter
https://youtu.be/4Fp_pjsNesQ?si=G2XlOIShj1XRCuM2
Self-organization, active matter and agency: why life is really different from inanimate matter
https://youtu.be/4Fp_pjsNesQ?si=G2XlOIShj1XRCuM2
YouTube
self organization, active matter and agency: why life is really different from inanimate matter?
#### **فارسی**
در این ارائه، پوریا آزادی به مفاهیم **خودسازماندهی، ماده فعال و عاملیت** میپردازد و نشان میدهد که چگونه این مفاهیم تفاوت میان **سامانههای زنده و ماده بیجان** را توضیح میدهند.
🔹 این سخنرانی بررسی میکند که چگونه مکانیسمهای خودسازماندهی…
در این ارائه، پوریا آزادی به مفاهیم **خودسازماندهی، ماده فعال و عاملیت** میپردازد و نشان میدهد که چگونه این مفاهیم تفاوت میان **سامانههای زنده و ماده بیجان** را توضیح میدهند.
🔹 این سخنرانی بررسی میکند که چگونه مکانیسمهای خودسازماندهی…
NeuroSyntax
Voice message
علاقه مندان به آموزش دادن در آزمایشگاه نوروسینتکس گوش بسپارن. با سپاس
❗️❗️❗️❗️ جلسه دوم آزمایشگاه نوروسینتکس امروز (یکشنبه) ساعت شش به وقت ایران برگزار خواهد شد.
محتوای جلسه:
- Classification problem
- Support Vector Machine and Kernel Trick
- Cross-validation
- Hyperparameter Tuning
- Assessing Feature Weights
برای تمرین کدنویسی هم در پایتون یک دیتاست شبیه سازی میکنیم و تمامی بخش های برنامه نویسی SVM، پیدا کردن پارامتر های بهینه، تست آماری و ... را خواهم گفت.
محتوای جلسه:
- Classification problem
- Support Vector Machine and Kernel Trick
- Cross-validation
- Hyperparameter Tuning
- Assessing Feature Weights
برای تمرین کدنویسی هم در پایتون یک دیتاست شبیه سازی میکنیم و تمامی بخش های برنامه نویسی SVM، پیدا کردن پارامتر های بهینه، تست آماری و ... را خواهم گفت.
لینک شرکت در جلسات آزمایشگاه نوروسینتکس - جلسه دوم - Support Vector Machines
جلسه ساعت شش آغاز خواهد شد.
دوستانی که جلسه گذشته نبودن میتونن در این جلسه شرکتت کن چون مباحث مستقل هستن.
https://vanderbilt.zoom.us/j/95414398597
جلسه ساعت شش آغاز خواهد شد.
دوستانی که جلسه گذشته نبودن میتونن در این جلسه شرکتت کن چون مباحث مستقل هستن.
https://vanderbilt.zoom.us/j/95414398597
Zoom Video
Join our Cloud HD Video Meeting
Zoom is the leader in modern enterprise video communications, with an easy, reliable cloud platform for video and audio conferencing, chat, and webinars across mobile, desktop, and room systems. Zoom Rooms is the original software-based conference room solution…
همه جلسات ضبط و در یوتیوب بارگزاری میشه. لینک جلسه اول:
https://www.youtube.com/watch?v=l6VALqxAQ6s&lc=UgzB0IMWiBiE4oZQqGZ4AaABAg.AAxgnWSaAqgAAxnsZ0okzX
جلسه دوم هم بزودی قرار خواهد گرفت.
https://www.youtube.com/watch?v=l6VALqxAQ6s&lc=UgzB0IMWiBiE4oZQqGZ4AaABAg.AAxgnWSaAqgAAxnsZ0okzX
جلسه دوم هم بزودی قرار خواهد گرفت.
YouTube
آزمایشگاه نوروسینتکس - قسمت 1
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:…
جلسه آینده درباره الگوریتم UMAP صحبت خواهیم کرد.
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
میتونید برای آشنایی اولیه مقاله زیر و ویدیوها رو ببینید:
Uniform manifold approximation and projection
Dimensionality reduction by UMAP to visualize physical and genetic interactions
ویدیو آموزشی
UMAP Dimension Reduction, Main Ideas!!!
UMAP: Mathematical Details (clearly explained!!!)
کاربردها در علوم اعصاب
WaveMAP for identifying putative cell types from in vivo electrophysiology
Topological analysis of sharp-wave ripple waveforms reveals input mechanisms behind feature variations
Analysis methods for large-scale neuronal recordings
UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction
میتونید برای آشنایی اولیه مقاله زیر و ویدیوها رو ببینید:
Uniform manifold approximation and projection
Dimensionality reduction by UMAP to visualize physical and genetic interactions
ویدیو آموزشی
UMAP Dimension Reduction, Main Ideas!!!
UMAP: Mathematical Details (clearly explained!!!)
کاربردها در علوم اعصاب
WaveMAP for identifying putative cell types from in vivo electrophysiology
Topological analysis of sharp-wave ripple waveforms reveals input mechanisms behind feature variations
Analysis methods for large-scale neuronal recordings
Nature
Uniform manifold approximation and projection
Nature Reviews Methods Primers - Uniform manifold approximation and projection is a dimensionality reduction technique used to visualize and understand high-dimensional data. In this Primer, Healy...