دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: فن آوری ویرایش: illustrated edition نویسندگان: Chris Eliasmith. C. H. Anderson سری: Computational neuroscience ISBN (شابک) : 9780262050715, 0262550601 ناشر: MIT Press سال نشر: 2003 تعداد صفحات: 377 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Neural engineering: computation, representation, and dynamics in neurobiological systems به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مهندسی عصبی: محاسبه ، بازنمایی و پویایی در سیستم های عصبی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
برای سالها، محققان از ابزارهای نظری مهندسی برای درک سیستمهای عصبی استفاده کردهاند، اما بسیاری از این کار در انزوا نسبی انجام شده است. در مهندسی عصبی، کریس الیاسمیت و چارلز اندرسون ترکیبی از رویکردهای متفاوت رایج در علوم اعصاب محاسباتی را ارائه میکنند که ایدههایی از کدگذاری عصبی، محاسبات عصبی، فیزیولوژی، نظریه ارتباطات، نظریه کنترل، دینامیک و نظریه احتمال را در بر میگیرد. آنها استدلال می کنند که این سنتز بینش نظری و عملی جدیدی را در مورد عملکرد سیستم های عصبی امکان پذیر می کند. چنین بینش هایی مربوط به دانشمندان علوم اعصاب تجربی و محاسباتی و مهندسان، فیزیکدانان و دانشمندان کامپیوتر است که علاقه مند به چگونگی ارتباط ابزارهای کمی آنها با مغز هستند. نویسندگان سه اصل مهندسی عصبی را بر اساس نمایش سیگنالها توسط مجموعههای عصبی، تبدیل این بازنماییها از طریق وزنهای جفت عصبی، و ادغام تئوری کنترل و دینامیک عصبی ارائه میکنند. از طریق مثالهای دقیق و بحث عمیق، آنها به این نتیجه میرسند که این اصول راهنما تئوری مفیدی برای تولید مدلهای مقیاس بزرگ عملکرد عصبی زیستشناختی است. بسته نرمافزاری نوشته شده در MatLab برای استفاده با روششناسی آنها، و همچنین مثالها، یادداشتهای دوره، تمرینها، مستندات، و سایر مطالب، در وب موجود است.
For years, researchers have used the theoretical tools of engineering to understand neural systems, but much of this work has been conducted in relative isolation. In Neural Engineering , Chris Eliasmith and Charles Anderson provide a synthesis of the disparate approaches current in computational neuroscience, incorporating ideas from neural coding, neural computation, physiology, communications theory, control theory, dynamics, and probability theory. This synthesis, they argue, enables novel theoretical and practical insights into the functioning of neural systems. Such insights are pertinent to experimental and computational neuroscientists and to engineers, physicists, and computer scientists interested in how their quantitative tools relate to the brain. The authors present three principles of neural engineering based on the representation of signals by neural ensembles, transformations of these representations through neuronal coupling weights, and the integration of control theory and neural dynamics. Through detailed examples and in-depth discussion, they make the case that these guiding principles constitute a useful theory for generating large-scale models of neurobiological function. A software package written in MatLab for use with their methodology, as well as examples, course notes, exercises, documentation, and other material, are available on the Web.
Cover......Page 1
Contents......Page 8
Preface......Page 14
Using this book as a course text......Page 18
Acknowledgments......Page 19
1: Of neurons and engineers......Page 22
I: REPRESENTATION......Page 48
2: Representation in populations of neurons......Page 49
3: Extending population representation......Page 82
4: Temporal representation in spiking neurons......Page 101
5: Population-temporal representation......Page 150
II:\r TRANSFORMATION......Page 162
6: Feed-forward transformations......Page 163
7: Analyzing representation and transformation......Page 205
8: Dynamic transformations......Page 240
9: Statistical inference and learning......Page 296
A:\r Appendix: Chapter 2 derivations......Page 322
B: Appendix:\rChapter 4 derivations......Page 323
C: Appendix:\rChapter 5 derivations......Page 333
D: Appendix:\rChapter 6 derivations......Page 337
E: \rAppendix:\rChapter 7 derivations......Page 340
F: Appendix:\rChapter 8 derivations......Page 348
References......Page 355
Index......Page 371