Ce module vous introduit au monde captivant du codage de l'information neuronale. Vous découvrirez les technologies utilisées pour enregistrer l'activité cérébrale. Nous développerons ensuite certaines formulations mathématiques qui nous permettent de caractériser les pointes des neurones comme un code, à des niveaux de détail croissants. Enfin, nous étudierons la variabilité et le bruit dans le cerveau, et la manière dont nos modèles peuvent les prendre en compte.

Dans ce module, nous retournons la question du codage neuronal et posons la question suivante : pouvons-nous estimer ce que le cerveau voit, a l'intention de faire ou expérimente simplement à partir de son activité neuronale ? Il s'agit du problème du décodage neuronal, qui joue un rôle de plus en plus important dans des applications telles que les neuroprothèses et les interfaces cerveau-ordinateur, où l'interface doit décoder les intentions de mouvement d'une personne à partir de l'activité neuronale. En prime de ce module, vous pourrez assister à une conférence donnée par Fred Rieke, neuroscientifique computationnel réputé.

Ce module dévoilera les liens étroits entre le vénérable domaine de la théorie de l'information et cet objet tout aussi vénérable qu'est notre cerveau.

Ce module vous emmène dans le monde de la biophysique des neurones, où vous rencontrerez l'un des modèles mathématiques les plus célèbres des neurosciences, le modèle de Hodgkin-Huxley de la génération du potentiel d'action (spike). Nous nous pencherons également sur d'autres modèles de neurones et apprendrons à modéliser la structure d'un neurone, y compris ces branches complexes appelées dendrites.

Ce module explore la manière dont les modèles de neurones peuvent être connectés pour créer des modèles de réseaux. Le premier cours vous montre comment modéliser ces remarquables connexions entre neurones appelées synapses. Ce cours vous laissera en compagnie d'un réseau simple de neurones à intégration et à excitation qui se suivent ou dansent de manière synchronisée. Dans le deuxième cours, vous découvrirez les modèles de taux d'allumage et les réseaux de type feedforward, qui transforment leurs entrées en sorties en un seul passage "feedforward". Le dernier cours vous emmène dans le monde dynamique des réseaux récurrents, qui utilisent la rétroaction entre les neurones pour l'amplification, la mémoire, l'attention, les oscillations, et bien d'autres choses encore !

Ce module étudie les modèles de plasticité synaptique et d'apprentissage dans le cerveau, y compris la prescription prémonitoire d'un psychologue canadien sur la manière dont les neurones devraient apprendre (apprentissage de Hebbian) et la révélation que les cerveaux peuvent faire des statistiques (même si nous n'y parvenons pas toujours nous-mêmes) ! Les deux conférences suivantes explorent l'apprentissage non supervisé et les théories de la fonction cérébrale basées sur le codage clairsemé et le codage prédictif.

Dans ce dernier module, nous explorons l'apprentissage supervisé et l'apprentissage par renforcement. Le premier cours vous présente l'apprentissage supervisé à l'aide de visages célèbres de la politique et de Bollywood, transforme les neurones en classificateurs et vous donne un aperçu du fondement de l'apprentissage supervisé, la rétropropagation, avec l'aide de laquelle vous apprendrez à faire reculer un camion dans un quai de chargement.Les deuxième et troisième cours se concentrent sur l'apprentissage par renforcement. Le deuxième cours vous apprendra à prédire les récompenses à la manière du chien de Pavlov et explorera le lien avec cette importante substance chimique de notre cerveau liée à la récompense : la dopamine. Dans le troisième cours, nous apprendrons à sélectionner les meilleures actions pour maximiser les récompenses et nous examinerons une possible implémentation neuronale de notre modèle de calcul dans la région du cerveau connue sous le nom de ganglions de la base. Le grand final : piloter un hélicoptère grâce à l'apprentissage par renforcement !