مشخصات کتاب

Theory of Cortical Plasticity

ویرایش:  
نویسندگان: Leon N. Cooper,  Brian S. Blais,  Harel Z. Shouval,  Nathan Intrator  
سری:  
ISBN (شابک) : 9789812387462, 9812387919 
ناشر: World Scientific Publishing Company 
سال نشر: 2004 
تعداد صفحات: 334 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 Mb 

در صورت تبدیل فایل کتاب Theory of Cortical Plasticity 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 نظریه پلاستیسیته قشر مغز 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.

توضیحاتی در مورد کتاب نظریه پلاستیسیته قشر مغز

این یک کتاب مهم و جالب است که برخی از ایده‌های اساسی در مورد «قابلیت قشری» را مرور می‌کند، که فرآیندی است که در واقع زیربنای هوش و «ذهن» است. کوپر و همکارانش در یک دوره زمانی طولانی کمک های مفیدی کرده اند و بیشتر ایده های کلیدی آنها در این کتاب پوشش داده شده است. همچنین تلاش قابل تحسینی برای پیوند دادن مدل ها به داده های تجربی وجود دارد. اما در حالی که آنها برخی از ابزارها و ایده های مهم را ارائه می دهند، از درک موضوع اسمی خود بسیار دور هستند. تا حدی این نشان دهنده وابستگی قابل درک آنها به ایده حیوان خانگی خود، قانون معروف \"BCM\" است. این در ابتدا برای حل مشکل استاندارد تقویت سیناپس فرار در یک مدل ساده هب در نظر گرفته شده بود (اوجا راه حلی حتی زیباتر را در همان زمان و مکان ارائه کرد). اما سپس آنها به آرامی دریافتند که شکل غیرخطی قاعده آنها نیز حساسیت مفیدی را به آمار ورودی که فراتر از مدل Oja است، می دهد و کتاب این پیشرفت را به خوبی توضیح می دهد. اما واقعاً 2 مشکل جداگانه در اینجا وجود دارد: حساسیت به آمارهای پیچیده و تثبیت دینامیکی، و مشخص نیست که BCM بهترین راه حل برای هر دو باشد. علاوه بر این، تلاش‌ها برای ارائه یک مبنای مکانیکی مطمئن برای قانون BCM چندان قانع‌کننده نبوده است، تا حدی به این دلیل که شخص واقعاً نیاز به استفاده از چارچوبی (\"STDP\") دارد که بسیار نزدیک‌تر به زیست‌شناسی است. در حالی که نویسندگان بر راه‌حل‌های حیوانات خانگی برای مشکلات نسبتاً آسان و واضح تمرکز می‌کنند، آنها کاملاً از دست فیل در اتاق قشر مغز می‌افتند: \"تقاطع\" بین سیناپس‌ها به این معنی است که هیچ سیناپس واقعی نمی‌تواند از آمارهای مرتبه بالاتر بیاموزد، مگر اینکه بخش زیادی از قشر مغز به آن اختصاص داده شود. برای کاهش تداخل. یک احتمال بسیار جذاب این است که بیشتر مدارهای قشر مغز در واقع به یک عملیات "تصحیح" اختصاص داده شده است، که امکان دقت سیناپسی بی سابقه ای را فراهم می کند که زیربنای محاسبات و یادگیری قدرتمند است (به [...] مراجعه کنید). آنچه مهم است شکل دقیق قانون یادگیری نیست، بلکه دقت آن است.

توضیحاتی درمورد کتاب به خارجی

This is an important and interesting book that reviews some basic ideas about "cortical plasticity", which is the process that actually underlies intelligence and "mind". Cooper and his colleagues have made useful contributions over a long period of time, and most of their key ideas are covered in this book. There is also an admirable attempt to link models to experimental data. But while they provide some important tools and ideas, they are very far from understanding their nominal topic. Partly this reflects their understandable attachment to their own pet idea, the famous "BCM" rule. This was originally intended to solve the standard problem of runaway synapse strengthening in a simple Hebb model (Oja came up with an even more elegant solution around the same time and place). But then they slowly realised that the nonlinear form of their rule also conferred useful sensitivity to input statistics that goes beyond the Oja model, and the book explains this advance quite nicely. But really there are 2 separate problems here: sensitivity to sophisticated statistics, and dynamical stabilisation, and it's not clear that BCM is the uniquely best solution to either. Furthermore, attempts to provide a secure mechanistic basis for the BCM rule have not been very convincing, in part because one really needs to use a framework ("STDP") that is much closer to biology. While the authors focus on pet solutions to relatively easy and obvious problems, they completely miss the elephant in the cortical room: "crosstalk" between synapses means that no real synapses can actually learn from higher-order statistics unless much of cortex is devoted to crosstalk-mitigation. One very attractive possibility is that most cortical circuitry is actually devoted to a "proofreading" operation, that allows the unprecedented synaptic accuracy that underlies powerful computation and learning (see [...]). What matters is not the precise form of the learning rule, but its accuracy.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Dictionary of Industrial Terms

دانلود کتاب Child Protection in America: Past, Present, and Future

دانلود کتاب समाजशास्त्रम् २ (Social Sciences 2)

دانلود کتاب 101 Amazing Animal Jokes

دانلود کتاب Xamarin Forms: Code Once, Deploy Everywhere with C#: Master the Art of Native Cross-Platform Mobile Development