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.

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.

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

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

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.

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

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.

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

آزمایشگاه نوروسینتکس - قسمت 2 - Support Vector Machines

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:
آموزش پیاده سازی Classification بر مبنای الگوریتم های Support Vector Machines در پایتون

آنچه در این قسمت خواهید آموخت:

Classification/Decoding/Statistical pattern recognition
Support Vector Machines - Mathematical foundation
Train-Test split to avoid overfit
Cross-validation
Hyperparameters
Hyperparameter Optimization
Assessing linear SVM feature weights in binary classifications
Kernel Methods (Tricks)
Radial basis function kernel
Hypothesis testing with randomization


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

#neurosyntax #lab

دوستان اگر امکانش رو دارید کانال یوتیوب نوروسینتکس رو دنبال کنید چه جلسات رو آنلاین میبینید و چه آفلاین پیگیری میکنید. سابسکرایب کردن، لایک کردن و به اشتراک گذاری ویدیو ها کمک بزرگی به گسترش کانال میکنه. اگر درباره جلسات پرسشی هم دارید میتونید به صورت کامنت زیر پست های یوتیوب قرار بدید و من سعی میکنم پاسخ بدم.

اگر افرادی هستن که علاقه مندن و میتونن کاور جلسات رو در اینستاگرام نورسینتکس بذارین و اینستا رو کمی فعال تر کنن زیر این پست بگن. تنها کاری که کافیه بکنید اینکه کاور های یوتیوب رو بگیرید و بذارید اینستا + یک توضیح مختصر از ویدیو.

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

بسیاری از ویدیوهای قدیمی نوروسینتکس هم هنوز در یوتیوب بارگزاری نشده. با محدود شدن زمان من کمی دشوار شده پیگیری همه این مسائل. من همیشه علاقه مند بودم و هستم که نوروسینتکس با یک تیم بزرگ رشد بکنه. در نتیجه اگر علاقه مند هستید که فعال محتوا تولید بکنید یا محتواهای تولید شده رو سازمان دهی بکنید پیام بذارید.