اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر مدل‌های دینامیکی در علوم اعصاب

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر مدل‌های دینامیکی در علوم اعصاب

موضوع کلی: علوم اعصاب محاسباتی

موضوع میانی: مدل‌سازی ریاضی فرآیندهای عصبی

📋 سرفصل‌های دوره

• 1. مبانی علوم اعصاب محاسباتی
• 2. مقدمه‌ای بر مدل‌سازی دینامیکی
• 3. نورون‌های منفرد و پتانسیل عمل
• 4. مدل هودجکین-هاکسلی
• 5. معادلات دینامیکی نورون‌ها
• 6. مقدمه‌ای بر سیستم‌های دینامیکی
• 7. مفاهیم پایه در نظریه سیستم‌های دینامیکی
• 8. فضای فاز و نقاط ثابت
• 9. پایداری نقاط ثابت
• 10. مقدمه‌ای بر نمودارهای مسیر
• 11. آنالیز پایداری خطی
• 12. مقدمه‌ای بر مقادیر ویژه
• 13. کاربرد مقادیر ویژه در پایداری
• 14. نورون فایرینگ
• 15. مدل فایرینگ ساده
• 16. مدل فایرینگ با آستانه
• 17. مدل فایرینگ با حافظه
• 18. مدل فایرینگ با پتانسیل استراحت
• 19. مدل فایرینگ با ورودی زمان‌متغیر
• 20. مدل فایرینگ با نویز
• 21. مدل فایرینگ با پتانسیل غشایی
• 22. مدل فایرینگ با پتانسیل بازدارنده
• 23. مدل فایرینگ با پتانسیل تحریکی
• 24. مدل فایرینگ با رسانایی متغیر
• 25. مدل فایرینگ با کانال‌های یونی
• 26. مدل فایرینگ با دینامیک کانال یونی
• 27. مدل فایرینگ با کانال‌های یونی وابسته به ولتاژ
• 28. مدل فایرینگ با کانال‌های یونی وابسته به لیگاند
• 29. مدل فایرینگ با کانال‌های یونی گیت‌دار
• 30. مدل فایرینگ با دینامیک گیت‌دار
• 31. مدل فایرینگ با گیت‌های فعال‌شونده
• 32. مدل فایرینگ با گیت‌های غیرفعال‌شونده
• 33. مدل فایرینگ با دینامیک گیت‌های پیچیده
• 34. مدل فایرینگ با ورودی از نورون‌های دیگر
• 35. شبکه‌های عصبی
• 36. مقدمه‌ای بر شبکه‌های عصبی
• 37. شبکه‌های عصبی تک‌لایه‌ای
• 38. شبکه‌های عصبی چندلایه‌ای
• 39. شبکه‌های عصبی با بازخورد
• 40. شبکه‌های عصبی فیدفوروارد
• 41. شبکه‌های عصبی بازگشتی
• 42. شبکه‌های عصبی تناوبی
• 43. شبکه‌های عصبی خودسازمان‌ده
• 44. شبکه‌های عصبی پرسپترون
• 45. شبکه‌های عصبی فعال‌سازی گسسته
• 46. شبکه‌های عصبی فعال‌سازی پیوسته
• 47. شبکه‌های عصبی با تابع فعال‌سازی سیگموئید
• 48. شبکه‌های عصبی با تابع فعال‌سازی ReLU
• 49. شبکه‌های عصبی با تابع فعال‌سازی تانژانت هیپربولیک
• 50. شبکه‌های عصبی با تابع فعال‌سازی گوسی
• 51. شبکه‌های عصبی با تابع فعال‌سازی سافت‌مکس
• 52. مدل‌سازی سیناپسی
• 53. مقدمه‌ای بر سیناپس‌ها
• 54. سیناپس‌های تحریکی
• 55. سیناپس‌های بازدارنده
• 56. سیناپس‌های پلاستیک
• 57. پلاستیسیته سیناپسی بلندمدت (LTP)
• 58. پلاستیسیته سیناپسی کوتاه‌مدت (LTP)
• 59. پتانسیل پس‌سیناپسی تحریکی (EPSP)
• 60. پتانسیل پس‌سیناپسی بازدارنده (IPSP)
• 61. انتشار سیگنال در دندریت‌ها
• 62. انتشار سیگنال در آکسون‌ها
• 63. مدل‌سازی انتشار سیگنال
• 64. مدل‌سازی انتشار سیگنال با انتشار خطی
• 65. مدل‌سازی انتشار سیگنال با انتشار غیرخطی
• 66. مدل‌سازی انتشار سیگنال با نویز
• 67. مدل‌سازی انتشار سیگنال در شبکه‌های پیچیده
• 68. مدل‌سازی محاسبات عصبی
• 69. مقدمه‌ای بر محاسبات عصبی
• 70. محاسبات موازی در مغز
• 71. محاسبات توزیع‌شده در مغز
• 72. محاسبات مبتنی بر رویداد
• 73. محاسبات مبتنی بر نرخ
• 74. محاسبات مبتنی بر فاز
• 75. محاسبات مبتنی بر زمان‌بندی
• 76. محاسبات مبتنی بر عدم قطعیت
• 77. یادگیری در شبکه‌های عصبی
• 78. مقدمه‌ای بر یادگیری ماشین
• 79. یادگیری تقویتی
• 80. یادگیری نظارت‌شده
• 81. یادگیری نظارت‌نشده
• 82. بهینه‌سازی در شبکه‌های عصبی
• 83. الگوریتم پس‌انتشار خطا
• 84. روش گرادیان کاهشی
• 85. روش گرادیان کاهشی تصادفی
• 86. روش بهینه‌سازی Adam
• 87. روش بهینه‌سازی RMSprop
• 88. مدل‌سازی شبکه‌های دینامیکی پیچیده
• 89. مدل‌سازی مغز به عنوان یک سیستم پیچیده
• 90. مدل‌سازی شبکه‌های عصبی بزرگ
• 91. مدل‌سازی دینامیک جمعیت نورونی
• 92. مدل‌سازی نوسانات عصبی
• 93. مدل‌سازی امواج مغزی
• 94. کاربرد مدل‌های دینامیکی در علوم اعصاب