درود بر دوستان و همراهان نوروسینتکس،

در روزهای گذشته درباره‌ی شیوه‌ی برگزاری نشست‌های «مدل‌های خطی تعمیم‌یافته» (Generalized Linear Models) فکر کردم. با توجه به اینکه این خانواده از روش‌ها در تحلیل‌های آماری گوناگون بسیار کاربرد دارند، تصمیم گرفتم دوره‌ای جامع برای اون برگزار کنم.

ساختار این دوره همانند نشست‌های پیشین (مانند Matrix Factorization یا Brain Dynamics) خواهد بود: نخست پیش‌نیازهای ریاضیاتی موضوع بررسی می‌شود و سپس به کاربرد این بنیان‌ها در پژوهش‌های علوم اعصاب می‌پردازیم. برای درک بهتر مفاهیم ریاضی مدل‌های خطی، از دو کتابی که در این یادداشت معرفی شده‌اند بهره خواهیم برد. در بخش‌های علمی‌ـ‌کاربردی نیز، بسته به موضوع هر نشست، نمونه‌های گوناگونی از علوم اعصاب بررسی خواهیم کرد.

با اینکه همواره کوشش میکنم هر دوره رو از پایه آغاز کنم، پیشنهاد می‌کنم اگر فرصت دارید، چند نشست آغازین از مجموعه‌ی تجزیه‌ی ماتریس ها (به‌ویژه قسمت ۱ تا ۴) را مرور کنید تا با فضای جبر خطی بیشتر آشنا شوید.

ویژگی‌های دوره:

تعداد نشست‌ها: ۷ تا ۱۰ نشست

روز برگزاری: شنبه‌ها (زمان دقیق از راه رأی‌گیری تعیین خواهد شد)

شیوه‌ی برگزاری: برخط (آنلاین) - در بستر زوم



همکاری در برگزاری:

اگر علاقه‌مند به همکاری در برگزاری این دوره هستید، خوشحال میشم پیام بفرستید. پیش از اون، لطفاً به نکات زیر توجه داشته باشید:

- اگر مایل به همکاری در بخش‌های ریاضی هستید، بهتر است دانش‌آموخته‌ی رشته‌های ریاضی، فیزیک یا مهندسی باشید، یا تجربه‌ی کافی در آموزش مفاهیم ریاضی داشته باشید.

- برای همکاری در طراحی کدها، آشنایی با زبان برنامه‌نویسی پایتون ضروری‌ست.

چندی پیش به‌طور ناگهانی وارد گفت‌وگویی با آرشام شدیم. بخش بزرگی از این گفت‌وگو به حافظه اختصاص داشت. برای سالیان دراز، نگاه ما به حافظه چنین بود که آن را سامانه‌ای شناختی می‌دانستیم که بی‌کم‌وکاست رخدادهای گذشته را ثبت می‌کند. اما این نگرش امروزه با دستاوردهای پژوهش‌های عصب‌-شناختی به چالش کشیده شده است. اکنون حافظه به‌عنوان سامانه‌ای پویا در نظر گرفته می‌شود که در هم‌تنیدگی ژرفی با خیال‌پردازی‌های ذهنی (imagination) ما دارد.

در واقع، در انسان و شاید در بسیاری از گونه‌های دیگر، با یک «سامانه شبیه‌سازی سازنده رویدادهای گذشته» (Constructive Episodic Simulation System) روبه‌رو هستیم؛ سامانه‌ای که به ما یاری می‌رساند تا گذشته را «بازسازی» کنیم یا پا به جهان های خیالی بگذاریم که هرگز رخ نداده‌اند. کمی بحث میکنیم که چرا این سیستم از یک سیستم که تنها گذشته را بیاد میاورد مفید تر است. در پایان، این پرسش را پیش کشیدیم که آیا ممکن است رؤیاهای صادقه، ریشه در کارکرد همین سامانه داشته باشند؟

ویدیو این نشست را میتوانید از کانال یوتیوب آرشام مشاهده کنید.

کانال تلگرام آرشام

اینستاگرام آرشام

درود بر همه‌ی دوستان و همراهان نوروسینتکس،

این هفته در ادامه‌ی مجموعه‌ نشست‌های علمی نوروسینتکس، جلسه‌ای با عنوان «شخصیت‌سازی علمی در فضای پژوهشی دانشگاه» برگزار خواهیم کرد. در این نشست، نگاهی خواهیم داشت به چالش‌ها، فرصت‌ها، و انتخاب‌هایی که پژوهشگران ایرانی در مسیرهای علمی خود تجربه کرده‌اند. از پژوهشگرانی دعوت کرده‌ایم که هر یک مسیر منحصربه‌فردی را در فضای پژوهشی دانشگاهی طی کرده‌اند.

هدف از این جلسه، ایجاد فضایی برای گفت‌وگوی آزاد درباره تجربیات واقعی پژوهشگران، الهام‌بخشی برای پژوهشگران جوان، و پاسخ‌ دادن به سوالاتی است که ممکن است برای بسیاری از ما در ابتدای مسیر علمی مطرح باشد. این برنامه فرصتی ارزشمند برای شبکه‌سازی، تبادل تجربیات، و شناخت مسیرهای گوناگون در فضای دانشگاهی است.

🔹 زمان برگزاری جلسه: یکشنبه، ساعت ۷ عصر به وقت تهران
🔹 محل برگزاری: آنلاین، از طریق پلتفرم زوم
🔹 لینک و اطلاعات ورود در پست های بعدی اطلاع‌رسانی خواهد شد.

آکادمی نوروسینتکس

معرفی مهمانان نشست "شخصیت سازی علمی در فضای پژوهشی دانشگاه"

آکادمی نوروسینتکس

درود بر همگی،

▫️نشست "شخصیت سازی علمی در فضای پژوهشی دانشگاه" امروز، یکشنبه، ساعت هفت به وقت تهران آغاز خواهد شد.

▫️لینک شرکت در جلسه 15-20 دقیقه پیش از جلسه در کانال تلگرام نوروسینتکس ارسال خواهد شد. برای شرکت در جلسه نیاز به نرم افزار Zoom دارید. بهتره از الآن این نرم افزار رو نصب کنید.

▫️در صورتی که از طریق کلیک بر روی لینک نمیتوانید وارد نشست شوید، میتوانید وارد نرم افزار زوم شده، گزینه Join را انتخاب کرده و سپس Meeting ID که به اشتراک گذاشته خواهد شد را وارد کنید.

▫️در صورت امکان 5 دقیقه پیش از ساعت هفت وارد لینک زوم شوید تا سر ساعت جلسه رو شروع کنیم. در موقع ورود لطفا میکروفون و تصویر خود را قطع کنید.

▫️ساختار به دو بخش تقسیم خواهد شد. در بخش نخست یک پرسش اساسی از مهمانان خواهد شد. این پرسش درباره چگونگی شکل گیری هویت علمی خواهد بود. در بخش دوم مجموعه ای از پرسش های فردمحور مطرح خواهد شد. این مجموعه پرسش شامل اهمیت فلسفه علم در پژوهش، پژوهش در دنیایی با هوش مصنوعی، تالیف مستقل و مسیرسازی علمی در ایران، و پژوهش در صنعت خواهد شد.

دو کتابی که راهنمای جلسات GLM خواهند بود. توجه کنید که در این جلسات از پایتون استفاده میکنیم (نه R) و بجای نمونه های کتاب ها بیشتر نمونه های علوم اعصاب کار خواهد شد.

جلسه ضبط شده و ۳.۵ ساعت هست. دنبال تدوینگر فیلم هستم برای:

۱- اینکه ۳ بخش از این ۳.۵ ساعت درست کنه

۲- یک تیتراژ برای ابتدای ویدیو بسازه که مهمان ها معرفی بشن

۳- بخش هایی از جلسه رو جدا کنیم برای ویدیوهای کوتاه در اینستاگرام و یوتیوب

اگر توانمندی این کارها رو دارید پیام بدید.

پیدا شد. 😃

من چند وقتی هست برای یک پروژه به سراغ دیتاست رایگان و قابل دسترس IBL رفتم. این دیتاست شامل داده های رفتاری، الکتروفیزیولوژی و تصویربرداری کلسیمی از نواحی مختلف مغز موش در یک تسک رفتاری تصمیم گیری هست. این داده با نوروپیکسل با همکاری 22 آزمایشگاه مختلف علوم اعصاب سیستمی در سطح دنیا ثبت شده.

جدای از اینکه میخواید از این دیتا استفاده کنید یا نه، پیشنهاد میکنم اگر با High-density probe ها در هر سطحی (نه لزوما نوروپیکسل) کار میکنید و پردازش سیگنال انجام میدید، حتما مجموعه مقالات این گروه رو در حوزه فنی کار با دیتا بخونید. بسیار بهتون اطلاعات مفید میده. برای نمونه من امشب مقاله Spike Sorting رو خوندم و با اینکه با بسیاری از این مسائل از پیش آشنا بودم، همچنان از شفافیت نوشتاری این مقاله لذت بردم. من دوست دارم وقتی یک کار انجام میشه، پیش فرض ها، الگوریتم ها، و محدودیت ها مطرح بشه. رویکردی که در نوروسینتکس هم پیاده سازی کردم و همواره سعی کردم این موارد رو برای هر متدی که آموزش میدم توضیح بدم. ولی معمولا چنین جزئیاتی در مقالات کمتر دیده میشه چون همواره میتونه در روند داوری مقاله اذیت کننده باشه. برای همین طی سالیان اخیر همواره شاهد کوتاه شدن قسمت متد مقالات بودیم. برای همین چنین مقالات فنی ای به خودی خود ارزش بالایی دارن.

Spike sorting pipeline for the International Brain Laboratory


پیشنهاد میکنم در پروژه های پژوهشی خودتون به سراغ این دیتاست برید و شروع به آنالیز کنید. با اینکه 5 سال از اولین ثبت های این دیتاست میگذره تعداد مقالات روی این دیتاست زیاد نیست و جای کار بسیاری داره. در مقاله زیر میتونید برخی از متغیر هایی که ثبت شده رو ببینید. ولی بدون شک متغیر ها اینقدر زیاد هست که برای هر نوع آنالیزی در سطح نورونی، LFP، رفتاری و ... بشه ازش استفاده کرد.

Data release - Brainwide map - Q4 2022

لیستی از نواحی که ازش ثبت گرفته شده و تعداد نورون های هر ناحیه در فایل زیر قابل مشاهده است:

https://github.com/int-brain-lab/paper-brain-wide-map/blob/plotting/brainwidemap/meta/region_info.csv

فقط یک عدد کلی بخوام بدم بر مبنای جدول داده IBL حدود 459 جلسه ثبت هست با حدود 699 الکترودگذاری، و 621733 نورون ثبت شده از 281 ناحیه مغزی.


این نوید رو باید بدم که با صحبت هایی که امروز با امیررضا داشتم، برای کارگاه های نوروسینتکس از GLM به بعد از این دیتاست بسیار استفاده خواهیم کرد.

#neuropixel

این جلسه این هفته به استثنا «یکشنبه» ساعت هفت برگزار خواهد شد.

درود بر همه دوستان،

نخستین جلسه دوره Generalized Linear Models امروز (یکشنبه) ساعت ۱۹:۰۰ برگزار خواهد شد.

در این جلسه ابتدا درباره‌ی اهمیت توزیع‌های احتمالی صحبت می‌کنیم و می‌بینیم چگونه این توزیع‌ها به ما کمک می‌کنند جهان اطراف‌مان را مدل‌سازی کنیم. سپس وارد بحث مدل‌سازی آماری می‌شویم و اجزای اصلی آن را مرور می‌کنیم.

در ادامه، با رگرسیون خطی آشنا می‌شویم: از نوشتن مدل گرفته تا بهینه‌سازی پارامترها. همچنین دو روش مهم Least Squares و Maximum Likelihood را معرفی و مقایسه خواهیم کرد. در پایان جلسه، درک روشنی از چیستی رگرسیون خطی و چگونگی عملکرد آن خواهید داشت.

❕این مجموعه جلسات برای تمام علاقه‌مندان به آمار، مدل‌سازی و یادگیری ماشین مفید است. اگرچه مثال‌ها بیشتر از حوزه‌ی علوم اعصاب انتخاب شده‌اند، مفاهیم پایه در همه حوزه‌ها یکسان هستند.

❗️با توجه به اینکه بسیاری از روش‌های نوین آزمون فرضیه بر پایه‌ی مدل‌سازی خطی طراحی شده‌اند، حتی اگر مستقیماً به مدل‌سازی علاقه‌مند نیستید، این دوره می‌تواند در تحلیل آماری داده‌ها برای شما بسیار سودمند باشد.

#neurosyntax

مدل های خطی تعمیم یافته - قسمت اول - Generalized Linear Models

در این جلسه ابتدا درباره‌ی اهمیت توزیع‌های احتمالی صحبت می‌کنیم و می‌بینیم چگونه این توزیع‌ها به ما کمک می‌کنند جهان اطراف‌مان را مدل‌سازی کنیم. سپس وارد بحث مدل‌سازی آماری می‌شویم و اجزای اصلی آن را مرور می‌کنیم.

در ادامه، با رگرسیون خطی آشنا می‌شویم: از نوشتن مدل گرفته تا بهینه‌سازی پارامترها. همچنین دو روش مهم Least Squares و Maximum Likelihood را معرفی و مقایسه خواهیم کرد. در پایان جلسه، درک روشنی از چیستی رگرسیون خطی و چگونگی عملکرد آن خواهید داشت.

❕این مجموعه جلسات برای تمام علاقه‌مندان به آمار، مدل‌سازی و یادگیری ماشین مفید است. اگرچه مثال‌ها بیشتر از حوزه‌ی علوم اعصاب انتخاب شده‌اند، مفاهیم پایه در همه حوزه‌ها یکسان هستند.

❗️با توجه به اینکه بسیاری از روش‌های نوین آزمون فرضیه بر پایه‌ی مدل‌سازی خطی طراحی شده‌اند، حتی اگر مستقیماً به مدل‌سازی علاقه‌مند نیستید، این دوره می‌تواند در تحلیل آماری داده‌ها برای شما بسیار سودمند باشد.