Neural Connectomics Challenge

این کتاب انگیزه جامعه علمی را برای استفاده از مفاهیم یادگیری ماشین برای مقابله با یک مشکل پیچیده نشان می‌دهد: با توجه به سری‌های زمانی فعالیت خود به خودی نورون، اتصال زیربنایی بین نورون‌های شبکه کدام است؟ نویسندگان مشارکت کننده همچنین ابزارهایی را برای پیشرفت علوم اعصاب از طریق تکنیک های یادگیری ماشین، با تمرکز بر مشکلات اصلی باز در علوم اعصاب ایجاد می کنند.
در حالی که تکنیک ها برای یک کاربرد خاص توسعه یافته اند، آنها به مشکل کلی تر بازسازی شبکه می پردازند. از سری‌های زمانی مشاهده‌ای، مسئله‌ای مورد علاقه در طیف گسترده‌ای از حوزه‌ها، از جمله اقتصاد سنجی، اپیدمیولوژی، و اقلیم‌شناسی، فقط به چند مورد اشاره می‌کنیم.< این کتاب برای جوامع ریاضی، فیزیک و علوم رایانه طراحی شده است که در زمینه علوم اعصاب تحقیق می‌کنند. چالش ها و مسائل. این محتوا همچنین برای جامعه یادگیری ماشینی مناسب است زیرا نحوه برخورد با یک مشکل را از دیدگاه‌های مختلف نشان می‌دهد.

This book illustrates the thrust of the scientific community to use machine learning concepts for tackling a complex problem: given time series of neuronal spontaneous activity, which is the underlying connectivity between the neurons in the network? The contributing authors also develop tools for the advancement of neuroscience through machine learning techniques, with a focus on the major open problems in neuroscience.
While the techniques have been developed for a specific application, they address the more general problem of network reconstruction from observational time series, a problem of interest in a wide variety of domains, including econometrics, epidemiology, and climatology, to cite only a few.< The book is designed for the mathematics, physics and computer science communities that carry out research in neuroscience problems. The content is also suitable for the machine learning community because it exemplifies how to approach the same problem from different perspectives.