Modélisation en neurosciences et ailleurs
J.-P. NADAL
Biomedical / HealthLearning

Prè-requis

Notions de base en probabilités et systèmes dynamiques. Des concepts et outils issus de la physique statistique et de la théorie de l’information seront introduits au fur et à mesure des besoins.

Objectif du cours

Introduction à la modélisation en neurosciences, avec ouvertures sur d’autres sujets par la mise en évidence de liens entre différentes disciplines, ou entre différents domaines (neurosciences, apprentissage machine, systèmes complexes en sciences sociales,…).

Organisation des séances

20 heures de cours.

Mode de validation

Lecture d’article et bref travail personnel (simulation numérique, extension d’un résultat d’un article) avec rapport et exposé oral.

Références

  • D. J. Amit, Modeling brain function
    (Cambridge Univ. Press, 1989)
  • P. Dayan and L. F. Abbott, Theoretical neuroscience
    (MIT Press, 2001)

Plus d’information…

Thèmes abordés

  • Mémoire à court-terme : Hebb ; réseaux de neurones
    à attracteurs ;  brisure d’ergodicité.
    Sujets connexes : physique statistique des systèmes désordonnés (« verres de spins »), optimisation combinatoire (« K-satisfiabilité »), formation de coalitions (entre pays, entreprises…).
  • Apprentissage supervisé : du Perceptron à la modélisation
    du Cervelet.
    Sujet connexe : machines à support de vecteurs (SVM).
  • Apprentissage non supervisé: de l’apprentissage Hebbien
    non supervisé à l’analyse en composantes principales (PCA).
  • Codage neuronal : principe « infomax » (maximisation de l’information de Shannon) ; réduction de la redondance (Barlow) ; adaptation du système visuel à l’environnement ; codage par population.
  • Sujets connexes : égalisation d’histogramme ; analyse en composantes indépendantes (ICA) ; statistique des « images naturelles ».
Les intervenants

Jean-Pierre Nadal

(CNRS)

voir les autres cours du 2nd semestre