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.
NeuroSyntax
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…
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.
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.
NeuroSyntax
Photo
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
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
figshare
Spike sorting pipeline for the International Brain Laboratory
In this article, we document our current spike sorting processing pipeline, including several modifications that enable more scalable and robust processing. We also document our newly developed tools for visualizing and quality-scoring the output of each…
NeuroSyntax
هفته پیشرو، شنبه ساعت هفت، نخستین جلسه کارگاه Generalized Linear Models رو برگزار میکنیم. محتوای جلسه از فصولی خواهد بود که در تصویر قرار دادم. به طور خلاصه: - مدلسازی آماری چیست؟ - مدل های رگرسیونی خطی چه هستند؟ - خانواده مدل های خطی تعمیم یافته چه هستند؟…
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
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.
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.
YouTube
آشنایی با مدلهای خطی تعمیمیافته (GLM) | رگرسیون خطی و توزیعهای احتمالی
نخستین جلسه دوره 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 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 جلسه پیشروی کارگاه GLM به بررسی موضوعات زیر میپردازیم:
🔹 رگرسیون خطی در فضاهای با ابعاد بالا (High-dimensional linear regression)
🔹 آشنایی با تخمین Least Squares در این فضاها و نحوه انجام عملیات جبری آن
🔹 بحث کاملتر در مورد Maximum Likelihood همراه با حل چند مثال دستی برای درک بهتر این روش
🔹 پیادهسازی رگرسیون خطی در پایتون و انجام یک تمرین مرتبط
پیشنیاز پیشنهادی برای آمادگی بهتر در جلسه:
🔸 جلسه ۱ و ۲ کارگاه Matrix Decomposition (مبانی جبر خطی)
🔸 از دقیقه 1:35:19 جلسه هفتم همان کارگاه (موضوع: بهینهسازی)
🔹 رگرسیون خطی در فضاهای با ابعاد بالا (High-dimensional linear regression)
🔹 آشنایی با تخمین Least Squares در این فضاها و نحوه انجام عملیات جبری آن
🔹 بحث کاملتر در مورد Maximum Likelihood همراه با حل چند مثال دستی برای درک بهتر این روش
🔹 پیادهسازی رگرسیون خطی در پایتون و انجام یک تمرین مرتبط
پیشنیاز پیشنهادی برای آمادگی بهتر در جلسه:
🔸 جلسه ۱ و ۲ کارگاه Matrix Decomposition (مبانی جبر خطی)
🔸 از دقیقه 1:35:19 جلسه هفتم همان کارگاه (موضوع: بهینهسازی)
NeuroSyntax
در جلسه پیشروی کارگاه GLM به بررسی موضوعات زیر میپردازیم: 🔹 رگرسیون خطی در فضاهای با ابعاد بالا (High-dimensional linear regression) 🔹 آشنایی با تخمین Least Squares در این فضاها و نحوه انجام عملیات جبری آن 🔹 بحث کاملتر در مورد Maximum Likelihood همراه…
درود
جلسه این هفته "شنبه ساعت 6" برگزار خواهد شد.
** من بعد از ظهر باید برم آزمایشگاه
جلسه این هفته "شنبه ساعت 6" برگزار خواهد شد.
** من بعد از ظهر باید برم آزمایشگاه
درود بر همگی
جلسه امروز از نگاه من بسیار مهم هست برای کسانی که علاقه مندن از مدل های خطی برای توضیح پدیده های اطرافشون استفاده کنن. در این جلسه درباره مدل های خطی بر مبنای داده هایی با ابعاد بالا بحث میکنیم، نمونه هایی دستی از این ها و همچنین Maximum Likelihood حل میکنیم و توضیح میدم که این مدل ها چطور در علوم اعصاب بکار گرفته شدن تا پدیده های جالبی رو توصیف کنن مثل ارتباط میان رفتار و فعالیت عصبی، ارتباط میان دو نورون و آثار فراخطی.
جلسه: شنبه ساعت 6 بعد از ظهر
لینک زوم پیش از جلسه ارسال خواهد شد.
جلسه امروز از نگاه من بسیار مهم هست برای کسانی که علاقه مندن از مدل های خطی برای توضیح پدیده های اطرافشون استفاده کنن. در این جلسه درباره مدل های خطی بر مبنای داده هایی با ابعاد بالا بحث میکنیم، نمونه هایی دستی از این ها و همچنین Maximum Likelihood حل میکنیم و توضیح میدم که این مدل ها چطور در علوم اعصاب بکار گرفته شدن تا پدیده های جالبی رو توصیف کنن مثل ارتباط میان رفتار و فعالیت عصبی، ارتباط میان دو نورون و آثار فراخطی.
جلسه: شنبه ساعت 6 بعد از ظهر
لینک زوم پیش از جلسه ارسال خواهد شد.
دومین نشست دوره Generalized Linear Models
محتوای این جلسه:
بررسی فلسفه های گوناگون مدلسازی از داده
تعمیم مدل های خطی ساده به داده های با ابعاد بالاتر
حل نمونه از رگرسیون خطی ساده در پایتون
حل نمونه دستی از Maximum Likelihood Estimation
بررسی نمونه هایی از کاربردهای مدلهای خطی در علوم اعصاب
محتوای این جلسه:
بررسی فلسفه های گوناگون مدلسازی از داده
تعمیم مدل های خطی ساده به داده های با ابعاد بالاتر
حل نمونه از رگرسیون خطی ساده در پایتون
حل نمونه دستی از Maximum Likelihood Estimation
بررسی نمونه هایی از کاربردهای مدلهای خطی در علوم اعصاب
YouTube
مدلهای خطی تعمیمیافته | فلسفه مدلسازی، MLE، رگرسیون در پایتون + کاربرد در علوم اعصاب
دومین نشست دوره Generalized Linear Models
محتوای این جلسه:
بررسی فلسفه های گوناگون مدلسازی از داده
تعمیم مدل های خطی ساده به داده های با ابعاد بالاتر
حل نمونه از رگرسیون خطی ساده در پایتون
حل نمونه دستی از Maximum Likelihood Estimation
بررسی نمونه هایی…
محتوای این جلسه:
بررسی فلسفه های گوناگون مدلسازی از داده
تعمیم مدل های خطی ساده به داده های با ابعاد بالاتر
حل نمونه از رگرسیون خطی ساده در پایتون
حل نمونه دستی از Maximum Likelihood Estimation
بررسی نمونه هایی…
درباره تماشای ویدیوهای آموزشی گزینه ای که نزدیک ترین است را انتخاب کنید:
Anonymous Poll
3%
جلسات آموزشی را آنلاین شرکت میکنم و کانال یوتیوب را دنبال نمیکنم.
22%
جلسات آموزشی را آنلاین شرکت میکنم و کانال یوتیوب را دنبال میکنم.
66%
جلسات آموزشی را شرکت نمیکنم و آموزش ها را از ویدیوهای یوتیوب پیگیری میکنم
9%
جلسات را شرکت نمیکنم و ویدیوهای یوتیوب را نمیبینم.
اگر ویدیوهای یوتیوب را دنبال میکنید پاسخ بدید:
Anonymous Poll
74%
ویدیوهای آموزشی رو از خود یوتیوب به صورت مستقیم و آنلاین میبینم.
13%
ویدیوهای آموزشی رو به وسیله سامانه های دیگر از یوتیوب دانلود میکنم و آفلاین میبینم.
13%
مشاهده نتایج