Advanced Data Analysis in Neuroscience. Integrating Statistical and Computational Models

ویرایش:  
نویسندگان: Daniel Durstewitz  
سری:  
ISBN (شابک) : 9783319599762 
ناشر: Springer 
سال نشر: 2017 
تعداد صفحات: 304 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 56,000



این کتاب برای استفاده در دوره های تحصیلات تکمیلی پیشرفته در آمار / یادگیری ماشین و همچنین برای همه عصب شناسان تجربی که به دنبال درک روش های آماری در سطح عمیق تر هستند و دانشمندان علوم اعصاب نظری با پیشینه محدود در آمار در نظر گرفته شده است. تقریباً تمام حوزه‌های آمار کاربردی، از تخمین آماری پایه و نظریه آزمون، رویکردهای خطی و غیرخطی برای رگرسیون و طبقه‌بندی، تا انتخاب مدل و روش‌های کاهش ابعاد، تخمین چگالی و خوشه‌بندی بدون نظارت را بررسی می‌کند. تمرکز آن، با این حال، تجزیه و تحلیل سری های زمانی خطی و غیرخطی از دیدگاه سیستم های دینامیکی است، که بر اساس آن هدف آن انتقال درک همچنین از مکانیسم های دینامیکی است که می تواند سری های زمانی مشاهده شده را ایجاد کند. علاوه بر این، مدل‌سازی محاسباتی دینامیک رفتاری و عصبی را با تخمین آماری و آزمون فرضیه ادغام می‌کند. به این ترتیب مدل‌های محاسباتی در علوم اعصاب نه تنها چارچوب‌های توضیحی هستند، بلکه به خودی خود به ابزارهای تحلیلی داده‌ای قدرتمند و کمی تبدیل می‌شوند که محققان را قادر می‌سازد به فراتر از سطح داده نگاه کنند و مکانیسم‌های زیربنایی را کشف کنند. نمونه‌های تعاملی بیشتر روش‌ها از طریق بسته‌ای از روال‌های MatLab ارائه می‌شوند، که رویکردی بازیگوش را به موضوع تشویق می‌کند و به خوانندگان احساس بهتری نسبت به جنبه‌های عملی روش‌های تحت پوشش ارائه می‌کند.

</ p>

"علوم اعصاب محاسباتی برای یکپارچه سازی و ارائه مبنایی برای درک بی شمار داده های آزمایشگاهی قابل توجه در مورد عملکردهای سیستم عصبی ضروری است. دانیل دورستویتز به خوبی گستره علوم اعصاب محاسباتی را از تفسیرهای آماری داده ها تا مدل سازی مبتنی بر بیوفیزیکی پوشش داده است. منابع عصب‌بیولوژیکی آن داده‌ها. ارائه او واضح، از نظر آموزشی صحیح است و به راحتی توسط متخصصان و مبتدیان قابل استفاده است. مایه خوشحالی است که این بحث بسیار خوب را به دانشمندان علوم اعصاب تجربی و همچنین فیزیکدانان با مهارت ریاضی توصیه کنیم. کتاب به عنوان پنجره ای به مسائل، به سؤالات و ابزارهایی برای یافتن پاسخ به سؤالات جالب در مورد مغزها و نحوه عملکرد آنها عمل می کند."

هنری D. I. Abarbanel

فیزیک و موسسه اقیانوس شناسی اسکریپس، دانشگاه کالیفرنیا، سن دیگو

"این کتاب مقدمه ای روشن و کامل بر رویکردهای تحلیل پیچیده مفید ارائه می کند. در علوم اعصاب محاسباتی مدل‌های توصیف‌شده و مثال‌های ارائه‌شده به خوانندگان کمک می‌کنند تا شهود انتقادی را نسبت به آنچه که روش‌ها در مورد داده‌ها نشان می‌دهند، توسعه دهند. رویکرد کلی کتاب منعکس کننده تجربه گسترده ای است که پروفسور دورستویتز به عنوان یک متخصص پیشرو در علوم اعصاب محاسباتی ایجاد کرده است. «

برونو بی. اوربک

This book is intended for use in advanced graduate courses in statistics / machine learning, as well as for all experimental neuroscientists seeking to understand statistical methods at a deeper level, and theoretical neuroscientists with a limited background in statistics. It reviews almost all areas of applied statistics, from basic statistical estimation and test theory, linear and nonlinear approaches for regression and classification, to model selection and methods for dimensionality reduction, density estimation and unsupervised clustering. Its focus, however, is linear and nonlinear time series analysis from a dynamical systems perspective, based on which it aims to convey an understanding also of the dynamical mechanisms that could have generated observed time series. Further, it integrates computational modeling of behavioral and neural dynamics with statistical estimation and hypothesis testing. This way computational models in neuroscience are not only explanat

ory frameworks, but become powerful, quantitative data-analytical tools in themselves that enable researchers to look beyond the data surface and unravel underlying mechanisms. Interactive examples of most methods are provided through a package of MatLab routines, encouraging a playful approach to the subject, and providing readers with a better feel for the practical aspects of the methods covered.

"Computational neuroscience is essential for integrating and providing a basis for understanding the myriads of remarkable laboratory data on nervous system functions. Daniel Durstewitz has excellently covered the breadth of computational neuroscience from statistical interpretations of data to biophysically based modeling of the neurobiological sources of those data. His presentation is clear, pedagogically sound, and readily useable by experts and beginners alike. It is a pleasure to recommend this very well crafted discussion to experimental neuroscientists as well

as mathematically well versed Physicists. The book acts as a window to the issues, to the questions, and to the tools for finding the answers to interesting inquiries about brains and how they function."

Henry D. I. Abarbanel

Physics and Scripps Institution of Oceanography, University of California, San Diego

“This book delivers a clear and thorough introduction to sophisticated analysis approaches useful in computational neuroscience. The models described and the examples provided will help readers develop critical intuitions into what the methods reveal about data. The overall approach of the book reflects the extensive experience Prof. Durstewitz has developed as a leading practitioner of computational neuroscience. “

Bruno B. Averbeck

Front Matter ....Pages i-xxv
 Statistical Inference  (Daniel Durstewitz)....Pages 1-31
 Regression Problems  (Daniel Durstewitz)....Pages 33-56
 Classification Problems  (Daniel Durstewitz)....Pages 57-72
 Model Complexity and Selection  (Daniel Durstewitz)....Pages 73-83
 Clustering and Density Estimation  (Daniel Durstewitz)....Pages 85-103
 Dimensionality Reduction  (Daniel Durstewitz)....Pages 105-119
 Linear Time Series Analysis  (Daniel Durstewitz)....Pages 121-181
 Nonlinear Concepts in Time Series Analysis  (Daniel Durstewitz)....Pages 183-198
 Time Series from a Nonlinear Dynamical Systems Perspective  (Daniel Durstewitz)....Pages 199-263
Back Matter ....Pages 265-292