イントロダクション ​

Neuromatchの計算神経科学コースへようこそ！

オリエンテーションビデオ ​

ビデオは以下のリンクからご覧いただけます：https://couture.com/watch?v=cV2q-vodKA

概念マップ ​

カリキュラム全体の概念マップです。 このイメージは、John Butlerが制作し、Isabelle Butlerが色彩をアドバイスしています。

カリキュラムの概要 ​

計算神経科学コースへようこそ！

私たちは、広範囲にわたる計算神経科学（急速に拡大している分野であり、全てを網羅することは困難です！）の領域に渡るカリキュラムを編纂しました。あなたには理論的なモデリングとよりデータ駆動型の分析の両方を紹介します。このセクションではカリキュラム全体を概観します。

まず、オプションとしていくつかの前提知識のリフレッシャーを提供します。

神経ビデオシリーズは、基本的な神経科学の概念と神経科学の手法をカバーする12本のビデオシリーズです。これらのビデオは完全にオプションで、固定の順序で視聴する必要はないので、どのビデオがあなたの知識をブラッシュアップするのに役立つかを選ぶことができます。

前提知識のリフレッシャーデイは非同期的なので、あなた自身の時間で資料を通して学ぶことができます。あなたは、モチベーションとして単純なニューラルモデルであるリーキー積分発火モデルを使用して、ゼロからPythonでコーディングする方法を学びます。その後、線形代数、微積分、確率と統計をカバーします。これらの日にカバーされるトピックは、計算神経科学コースで必要とされる内容に基づいて慎重に選ばれています。

これらを終えた後、本格的なコースが始まります！　モデリングの導入のモジュールから始めます。初日には、神経科学でモデルを用いてどのような質問を提起できるか（モデルのタイプ）について全て学びます。私たちが脳で何が起こるか、どのように起こるか、なぜ起こるかを問うためにモデルを使用できることを学びます。重要なことに、モデルは使用するツールキットではなく、問う質問に基づいて'何'、'どう'、'なぜ'のモデルに分類します！

これらの質問をモデルでどのように提起できるか、そしてその過程を開始する方法についての堅実な理解を得た後、機械学習のモジュールに移ります。このモジュールでは、データにモデルをフィットさせ、それを使用して神経科学における質問を提起し答える方法をカバーします。私たちは機械学習を使用して様々な種類の質問（何、どのように、なぜの質問を含む）を提起できます。特に、よりデータ駆動型の分析に重点を置いており、その結果として脳内で何が起こっているのかを問うことが多いです。モデルをデータにフィットさせる背後にある主要な原則（モデルフィッティング）、一般化線形モデルを使用してエンコーディングとデコーディングのモデルをフィットさせる方法（一般化線形モデル）、データに潜在する低次元の構造を明らかにする方法（次元削減）、そして深層学習を使用してより複雑なエンコーディングモデルを構築する方法、視覚システムと深層ネットワークの比較を学びます。その後、あなたはプロジェクトに飛び込み、ステップバイステップのモデリングガイドを用いて自分のプロジェクトに適用するモデリングのプロセスについて学びます（モデリング実践）。

次に、動的システムのモジュールに進みます。このモジュールでは、動的システムについて全て学び、それを生物学的に考えられるニューロンとニューロンのネットワークのモデルを構築するために応用する方法を学びます。線形システムでは、コース全体で使用する動的システムの本当に基礎的な知識を多くカバーし、次のモジュールの基盤となる確率的システムについて簡単に触れます。生物学的ニューロンモデルでは、この知識を用いてより生物学に根ざした個々のニューロンのモデルを構築し始めます。ダイナミックネットワークでは、前日の内容をさらに深めてニューロンのネットワークを構築し分析し始めます。これらのモデルを使用して「どう」の質問をしばしば提起します：脳内の事象はメカニズム的にどのように起こっているのか？　これらのモデルは、しばしばデータに直接フィットさせるのではなく（機械学習モデルとは対照的に）、システムの下から上への知識に基づいて構築されます。

次に、確率過程についてのモジュールに移ります。まず、決定を行う文脈内でのベイジアン推論について学ぶ一日から始めます（ベイジアン決定）。具体的には、測定から世界の状態を推定する方法について学びます。次の日には、これを時間に拡張します：世界の状態は今や時間とともに変化します（隠れた動的性）。次に、私たちが行動を起こして世界の状態を影響させる方法を見ていきます（最適制御と強化学習）。これらのモデルも'何'、'どう'、'なぜ'のモデルとして使用できますが、私たちは'なぜ'の質問を提起することに焦点を当てます（なぜ脳はこれを計算すべきなのか？）。

最後に、因果性について全て学ぶことで終わります（ネットワーク因果性）。これは最も重要な科学的問いの一つをカバーします：いつ何かが因果的に関連していると判断でき、それが単なる相関であるのかをどう決定できるのか？