Նյարդային տվյալների գիտություն. Ինչպես և ինչու

Նեյրոնների վերաբերյալ տվյալների գիտություն կատարելու կոպիտ ուղեցույց

Ուղեղ, որը կատարում է տվյալների գիտություն: Վարկ. Մեթ Վասերի ուղեղը ՝ «Project Project» - ից

Հանգիստ, գաղտագողիորեն ձևավորվում է նյարդաբանագետի նոր տեսակ: Տեսաբանների անհամար շարքերից ի հայտ են եկել նյարդաբանագետների թիմեր, որոնք գիտություն են անում նյարդային գործունեության վերաբերյալ տվյալների, հարյուրավոր նեյրոնների նոսր բծերի վրա: Ոչ թե տվյալների վերլուծության մեթոդների ստեղծում, չնայած բոլորն էլ այդպես են վարվում: Ոչ թե այդ տվյալների հավաքումը, որովհետև դրա համար հարկավոր է մեկ այլ, ահռելի, հմտությունների հավաքածու: Բայց նյարդաբանագետները այդ տվյալների վրա օգտագործելով ժամանակակից հաշվարկային տեխնիկայի ամբողջական գամմը ՝ ուղեղի վերաբերյալ գիտական ​​հարցերին պատասխանելու համար: Առաջացել է նյարդային տվյալների գիտություն:

Պարզվում է, որ ես նրանցից մեկն եմ, նյարդային տվյալների գիտնականների այս կլանը: Պատահաբար: Որքան ես կարող եմ ասել, այդպես են ծնվում բոլոր գիտական ​​ոլորտները `պատահական: Հետազոտողները հետևում են իրենց քթերին, սկսում են նոր բաներ անել և հանկարծակի հայտնաբերում են, որ խոհանոցում նրանց փոքրիկ բազմություն կա երեկույթների (որովհետև այնտեղ է խմիչքները, սառնարանի մեջ. Գիտնականները խելացի են): Այսպիսով, ահա մի փոքրիկ մանիֆեստ ՝ նյարդային տվյալների գիտության համար. Ինչու է այն առաջանում, և ինչպես մենք կարող ենք կողմնորոշվել դրանով:

Ինչու է նույնը, ինչ գիտության բոլոր ոլորտները, որոնք շաղախել են տվյալների գիտությունը. Տվյալների քանակությունը ձեռքից դուրս է գալիս: Բազմաթիվ նեյրոններ ձայնագրելու գիտության համար այս տվյալների ջրհեղեղն ունի ամեն տեսակի գիտական ​​հիմնավորում: Ուղեղներն աշխատում են ՝ նեյրոնների միջև հաղորդագրություններ փոխանցելով: Այդ հաղորդագրությունների մեծ մասը էլեկտրականության փոքր իմպուլսներ են ձևավորում. Բծեր, մենք դրանք անվանում ենք: Այսպիսով, շատերի համար տրամաբանական է թվում, որ եթե մենք ուզում ենք հասկանալ, թե ինչպես են աշխատում ուղեղը (և երբ դրանք չեն աշխատում), մենք պետք է գրավի բոլոր նեյրոնների միջև փոխանցվող բոլոր հաղորդագրությունները: Եվ դա նշանակում է հնարավորինս շատ նեյրոններից բռնել այնքան բծախնդրություն:

Երեխայի զեբրաֆիկ ուղեղը ունի մոտ 130,000 նեյրոն, և դրանց միջև առնվազն 1 միլիոն կապ; բամբակյա ուղեղը ունի մոտ մեկ միլիոն նեյրոն: Դուք կարող եք տեսնել, թե ինչպես դա շատ արագ ձեռքից դուրս կգա: Հենց հիմա մենք մի տեղ արձանագրում ենք տասնյակից մի քանի հարյուր նեյրոնների միջև միաժամանակ ստանդարտ հանդերձանքով: Սահմաններում մարդիկ գրանցում են մի քանի հազար, և նույնիսկ մի քանիսը տասնյակ հազարներ են ստանում (չնայած այս ձայնագրությունները գրավում են նեյրոնների ակտիվությունը արագորեն դանդաղ, քան նեյրոնները, որոնք կարող էին ուղարկել իրենց բծերը):

Մենք այս խելագարության համակարգերը անվանում ենք նյարդագիտություն. Նեյրոգործություն ՝ նեյրոնների ուսումնասիրության համար; համակարգեր ՝ համարձակվելով արձանագրել մեկից ավելի նեյրոններ միաժամանակ: Եվ տվյալները մտավորորեն թեքում են բարդ: Այն, ինչ մենք ունենք, տասնյակ հազարավոր միաժամանակ գրանցված ժամանակային շարքեր են ՝ յուրաքանչյուր նեյրոնից բծախնդրության իրադարձությունների հոսք (իրական բծեր կամ դրանց անուղղակի չափում): Ըստ սահմանման, դրանք ստացիոնար չեն, նրանց վիճակագրությունը ժամանակի ընթացքում փոխվում է: Նրանց գործունեության տեմպերը տարածվում են մեծության շատ պատվերի վրա ՝ վանականի նման հանգիստ մտածելակերպից մինչև «թմբուկային հանդերձանք քամու թունելի մեջ»: Եվ նրանց գործունեության օրինաչափությունները տատանվում են ժամացույցի նման օրինաչափությունից, ժայթքելուց և փչացնելուց, այլընտրանքային մոլուցքի և սպառման ժամանակաշրջանների միջև:

Այժմ ամուսնացեք այդ նյարդերը գրանցած կենդանու պահվածքի հետ: Այս պահվածքը հարյուրավոր փորձությունների փորձ է. կամ ձեռքի շարժումներ; կամ շրջակա միջավայրի միջոցով իրականացվող երթուղիներ: Կամ զգայական օրգանի տեղաշարժը կամ մկանների ամբողջ կեցվածքը: Կրկնել բազմաթիվ կենդանիների համար: Հնարավոր է բազմաթիվ ուղեղի շրջաններ: Եվ երբեմն ամբողջ ուղեղը:

Մենք հիմնավորված ճշմարտություն չունենք: Answerիշտ պատասխան չկա. տվյալների վերապատրաստման պիտակ չկա, բացի վարքից: Մենք չգիտենք, թե ինչպես ուղեղը կոդավորում է վարքը: Այսպիսով, մենք կարող ենք գործեր վարվել վարքագծային պիտակների հետ, բայց մենք գրեթե միշտ գիտենք, որ սրանք պատասխանը չեն: Դրանք պարզապես պատրանք են «պատասխանին»:

Համակարգերը նյարդագիտությունը այն ժամանակ հարուստ խաղահրապարակ է նրանց համար, ովքեր կարող են ամուսնանալ նեյրովիրաբուժության իրենց գիտելիքների հետ `իրենց նոու-հաուսում տվյալների վերլուծության համար: Ծնվում է նյարդային տվյալների գիտություն:

Ինչպե՞ս է դա արվում, կամ կարող էր արվել: Ահա կոպիտ ուղեցույց: Նյարդային տվյալների գիտնականի գործը պետք է լինի համակարգային նյարդագիտության ոլորտի տվյալների գիտական ​​հարցեր տալ. հարցնել. ինչպե՞ս են աշխատում այս բոլոր նեյրոնները միասին ՝ իրենց գործը կատարելու համար:

Մոտավորապես երեք եղանակ կա, որոնցով կարող ենք պատասխանել այդ հարցին: Մենք կարող ենք տեսնել այս երեք եղանակները ՝ նայելով մեքենայական ուսուցման հիմնախնդիրների դասակարգված դասակարգերի միջև և համակարգերի նյարդագիտության համակարգչային հաշվարկային մարտահրավերների միջև: Եկեք սկսենք նայում, թե ինչի հետ մենք պետք է աշխատենք:

Մենք ունենք որոշ տվյալներ նեյրոններից, որոնք մենք հավաքել ենք ժամանակի ընթացքում: Մենք դրանք կկազմենք մատրիցով, որը մենք կկոչենք X - նույնքան սյուներ, որքան նեյրոնները, և նույնքան տողեր, որքան մենք գրանցեցինք ժամային միավորները (որտեղ մեզն է կախված, թե որքան է տևում «ժամանակային կետը». Մենք կարող ենք այն կարճ դարձրեք, և պարզապես յուրաքանչյուր մուտքի գրառումը պետք է ունենա 1-ը խճճվածի համար, և հակառակ դեպքում ՝ 0-ը. Կամ մենք կարող ենք այն երկար դարձնել, և յուրաքանչյուր մուտքագրում նշված անցումների քանակը նշված ժամկետում): Այդ ընթացքում աշխարհում տեղի են ունեցել իրեր `ներառյալ այն, ինչ մարմինը արել է: Այսպիսով, եկեք այս ամենը միացնենք մատրիցով, որը մենք կկոչենք S - նույնքան սյուներ, որքան կան հատկություններ աշխարհում, որոնց մասին մենք մտածում ենք, և նույնքան տողեր, որքան ժամանակային միավորները, որոնք մենք արձանագրել ենք այդ հատկանիշների համար:

Ավանդաբար, մեքենայական ուսուցումը ենթադրում է մոդելների երեք դասի կառուցում աշխարհի վիճակի և մատչելի տվյալների մասին ՝ գեներացնող, խտրական և խտության: Որպես կոպիտ ուղեցույց ՝ այս աղյուսակը ցույց է տալիս, թե ինչպես է յուրաքանչյուր դասը համապատասխանում համակարգերի նյարդագիտության հիմնարար հարցին.

1 / Խտության մոդելներ P (X). Կա՞ արդյոք spikes- ում կառուցվածքը: Հնչում է ձանձրալի: Բայց իրականում սա բանալին է նյարդագիտության հետազոտության մեծ փոփոխություններին, որոնցում մենք ուզում ենք իմանալ ինչ-որ բան (դեղամիջոց, վարք, քուն) ազդեցությունը ուղեղի վրա; որում մենք հարցնում ենք. ինչպե՞ս է փոխվել նյարդային գործունեության կառուցվածքը:

Նեյրոնների մի փունջ ձայնագրելով ՝ մենք դրան կարող ենք պատասխանել երեք եղանակով:

Նախ, մենք կարող ենք քանակականացնել յուրաքանչյուր նեյրոնի թռիչքային գնացքը `չափելով X- ի յուրաքանչյուր սյունակի վիճակագրությունը, ինչպես արագության արագությունը: Եվ հետո հարցրեք. Ո՞րն է այս վիճակագրության համար մոդելը P (X): Մենք կարող ենք հավաքել այս վիճակագրությունը `գտնելու նեյրոնի« տեսակներ ». կամ պարզապես տեղավորվում են մոդելներ իրենց ամբողջ համատեղ բաշխման մեջ: Ամեն դեպքում, մենք ունենք տվյալների կառուցվածքի որոշ մոդել միայնակ նեյրոնների հատիկավորության մեջ:

Երկրորդ, մենք կարող ենք ստեղծել ամբողջ բնակչության գործունեության գեներատիվ մոդելներ ՝ օգտագործելով X տողերը - ամբողջ բնակչության պահի-վայրկյան գործունեության վեկտորները: Նման մոդելները, որպես կանոն, նպատակ ունեն հասկանալ, թե X- ի կառուցվածքի ո՞ր մասը կարող է վերականգնվել ընդամենը մի քանի սահմանափակումներից, անկախ նրանից, դրանք դրանք բաշխումն են, թե քանի վեկտոր ունի քանի բծեր; կամ նեյրոնների միջև զույգ փոխհարաբերությունները. կամ դրանց համակցությունները: Սրանք հատկապես օգտակար են մշակելու համար, եթե բնակչության գործունեության մեջ կա որևէ հատուկ սոուս, եթե դա ավելին է, քան անկախ կամ ձանձրալիորեն պարզ նեյրոնների հավաքածուն:

Երրորդ, մենք կարող ենք ընդունել այն դիրքորոշումը, որ X- ում նյարդային ակտիվությունը ցածր ծավալային տարածության որոշ բարձր ծավալային իրականացում է, որտեղ D << n չափումների քանակը: Սովորաբար մենք սա նկատի ունենք. X- ում որոշ նեյրոններ փոխկապակցված են, ուստի կարիք չկա X- ն օգտագործել բնակչությունը հասկանալու համար, փոխարենը մենք դրանք կարող ենք փոխարինել շատ ավելի պարզ ներկայացմամբ: Մենք կարող ենք ուղղակիորեն դասակարգել ժամանակային շարքերը, այնպես որ X- ն վերածելով X_1- ի X_N- ի ավելի փոքր մատրիցաների մի շարք, որոնցից յուրաքանչյուրը ունի դրա մեջ (համեմատաբար) ուժեղ փոխկապակցություններ դրա մեջ, և այդպես կարելի է ինքնուրույն վարվել: Կամ գուցե օգտագործենք չափսի իջեցման մի տեսակ մոտեցում, ինչպիսին է Հիմնական բաղադրիչների վերլուծությունը, որպեսզի ստանանք մի շարք շարք շարք, որոնք նկարագրում են ժամանակի ընթացքում բնակչության գործունեության փոփոխման մեկ գերակշռող ձև:

Մենք ավելին կարող ենք անել: Վերոնշյալը ենթադրում է, որ մենք ուզում ենք օգտագործել չափման կրճատում ՝ նեյրոնների փլուզման համար. Մենք օգտագործում ենք X- ի սյունակներում կրճատում: Բայց մենք կարող ենք նույնքան հեշտությամբ փլուզվել ժամանակը ՝ X- ի շարքերում կիրառելով չափսի կրճատում, այլ ոչ թե հարցնելու, թե արդյոք նյարդային գործունեությունը ավելորդ է , սա հարցնում է, թե արդյոք ժամանակի տարբեր պահեր նյարդային գործունեության նման նախշեր ունեն: Եթե ​​դրանցից միայն մի քիչ կան, ակնհայտ է, որ արձանագրված նեյրոնների դինամիկան շատ պարզ է:

Մենք կարող ենք այստեղ նետել նաև դինամիկ համակարգային մոտեցումներ: Այստեղ մենք փորձում ենք պարզ մոդելներ տեղավորել X- ի ժամանակի փոփոխություններին (այսինքն `մեկ շարքից մյուսը քարտեզագրելը) և այդ մոդելներն օգտագործելու համար X- ի պարունակում է դինամիկայի տեսակները` օգտագործելով «գրավիչ», «անջատիչ», « թամբի հանգույց »,« սկիպիդարային խճճում »և« Արսենալի փլուզում »(դրանցից միայն մեկը իրական բան չէ): Կարելի է հիմնավոր վիճարկել այն դինամիկ մոդելները, որոնք տեղավորվում են, բոլոր խտության մոդելները P (X), քանի որ նկարագրում են տվյալների կառուցվածքը:

Դժոխք, մենք կարող էինք նույնիսկ փորձել և տեղավորել մի նյարդային միացումի մի ամբողջ դինամիկ մոդել, յուրաքանչյուր նեյրոնը նկարագրող դիֆերենցիալ հավասարումների մի փունջ մինչև X, այնպես որ մեր մոդելը P (X) այնուհետև նմուշառվում է ամեն անգամ, երբ վարում ենք մոդելը տարբեր սկզբնական տարբեր պայմաններից: .

Այս խտության մոդելներով մենք կարող ենք դրանք առանձին տեղավորել տարբեր նահանգների մի շարք խմբերի (S1, S2,…, Sm) խմբագրած նյարդային գործունեության վրա և պատասխանել այնպիսի հարցերի, ինչպիսիք են ՝ ինչպես է փոխվում նեյրոնների բնակչության կառուցվածքը փոխելու քնի և արթնանալ Կամ կենդանու զարգացման ընթացքում: Կամ առաջադրանք սովորելու ընթացքում (որտեղ S1- ը կարող է լինել 1-ին փորձարկում, իսկ S2- ը ՝ 2-ը, կամ S1- ն է 1-ին և S2- ի նստաշրջանը 2-ը, կամ դրանցից շատ համադրություններ): Կարող ենք հարցնել նաև, թե որքան չափեր է տարածվում նեյրոնների ակտիվությունը: Արդյո՞ք չափերը տարբեր են ծառի կեղեվ տարբեր շրջանների միջև: Եվ որևէ մեկը տեսե՞լ է իմ բանալիները:

2 / Գեներացնող մոդելներ P (X | S). Ի՞նչն է առաջացնում բծ: Հիմա մենք խոսում ենք: Գծեր, ոչ գծային մոդելներ կամ ընդհանրացված գծային մոդելներ: Սովորաբար այս մոդելները կիրառվում են միայնակ նեյրոնների համար, X- ի յուրաքանչյուր սյունակում: Նրանց հետ մենք տեղավորում ենք մի մոդել, որն օգտագործում է աշխարհի S- ի վիճակը որպես մուտքագրում և դուրս է մղում նյարդային գործունեության շարքը, որը հնարավորինս սերտորեն համապատասխանում է նեյրոնների գործունեությանը: Այնուհետև ստուգելով Ս – ի յուրաքանչյուր հատկության կշռվածությունը նեյրոնի գործունեությունը վերարտադրելու մեջ, մենք կարող ենք պարզել, թե այդ նեյրոնը կարծես թե անիծում է:

Մենք գուցե ցանկանանք ընտրել այնպիսի մոդել, որն ունի որոշակի ճկունություն այն հարցում, որը համարվում է «աշխարհի պետություն»: Մենք կարող ենք ներառել նեյրոնի սեփական անցյալի գործունեությունը որպես առանձնահատկություն և տեսնել, թե արդյոք նա հոգ է տանում այն ​​մասին, թե ինչ է արել նախկինում: Նեյրոնի որոշ տեսակների համար պատասխանը ՝ այո: Bursting- ը կարող է շատ բան դուրս բերել նեյրոնից, և այն նորից պետք է պառկել քրտնաջան հանգստի համար, նախքան այն նորից անցնելը: Մենք կարող ենք նաև ավելի լայնորեն մտածել և ներառել բնակչության մնացած մասը `X- ի մնացած մասը, որպես աշխարհի S պետության մաս, մինչդեռ նեյրոնը կրակում է: Ի վերջո, նեյրոնները ժամանակ առ ժամանակ ազդում են միմյանց կրակելու վրա, կամ այդպես ես ստիպված եմ հավատալ: Այսպիսով, կա փոքր հավանականություն, որ տեսողական ծառի ծառի նեյրոնի պատասխանը ոչ միայն արտաքին աշխարհի կողմն է կողմնորոշվում, այլև կարող է կախված լինել նրանից, թե ինչ են անում նաև դրա հետ կապող 10000 ծառի կեղևային նեյրոնը: Այն, ինչ մենք այնուհետև սովորում ենք, բնակչության մոտավորապես ամենաազդեցիկ նեյրոններն են:

Պետք չէ կիրառել այս գեներացնող մոդելները միայնակ նեյրոնների համար: Մենք կարող ենք հավասարապես կիրառել դրանք մեր խտության մոդելներում. մենք կարող ենք հարցնել, թե որն է յուրաքանչյուր կլաստեր, կամ չափը, կոդավորում է աշխարհի մասին: Կամ, ինչպես ոմանք արեցին այստեղ, մենք կարող ենք ինքնուրույն օգտագործել խտության մոդելը որպես աշխարհի պետություն և հարցնել, թե այդ մոդելի ներքևի նեյրոնների ո՞ր հատկանիշներն են անիծում:

Հարցերի տեսակները, որոնց մենք կարող ենք պատասխանել այս գեներացնող մոդելներով, ակնհայտ են. Առանձնահատկությունների ո՞ր համադրությունն է լավագույնս կանխատեսում նեյրոնի պատասխանը: Արդյո՞ք կան նեյրոններ ընտրող ընդամենը մեկ բանի համար: Ինչպե՞ս են նեյրոնները ազդում միմյանց վրա:

3 / Խտրական մոդելներ P (S | X). Ի՞նչ տեղեկություններ են պարունակում բծերը: Սա համակարգային նյարդագիտության առանցքային հարց է, քանի որ այն մարտահրավեր է, որին բախվում են բոլոր նեյրոնները, որոնք հոսում են մեր գրանցված բնակչության կողմից. Բոլոր նեյրոնները, որոնք մուտքից ստացվող նեյրոններից են, որից մենք գրանցեցինք և լցնում մեր մատրիցով X: նրանք պետք է իմանան արտաքին աշխարհի մասին ՝ հիմնված միայն բծերի վրա:

Այստեղ մենք կարող ենք օգտագործել ստանդարտ դասակարգիչները, այդ քարտեզի մուտքերը պիտակավորված ելքերի վրա: Մենք կարող ենք օգտագործել X տողերը որպես մուտքագրում, յուրաքանչյուրի բնակչության գործունեության մի ակնթարթ նկար և փորձել կանխատեսել մեկ, մի քանի կամ բոլոր հատկությունները Ս – ի համապատասխան շարքերում, հնարավոր է որոշ ժամանակով ուշացումով, ուստի մենք օգտագործում ենք X_t շարքը կանխատեսել S_t-n նահանգը, որը անցյալում N քայլեր չէր, եթե մեզ հետաքրքրում է, թե ինչպես են պոպուլյացիայի օրենսգիրքը նշում ուղեղ մուտքագրումը. կամ մենք կարող ենք օգտագործել X_t շարքը `կանխատեսելու համար S_t + n պետությունը, որը ապագայում քայլ է, եթե մեզ հետաքրքրում է, թե ինչպես է բնակչությունը ծածկում ուղեղի որոշ ազդեցության վրա աշխարհում: Սիրում եմ այն ​​շարժիչային ծառի կեղեվում գործողությունը, որը կատարվում է նախքան այս տառերը գրելը հենց հիմա:

Ամեն դեպքում, մենք վերցնում ենք X- ի մի քանի (բայց ոչ բոլորը) տողերը և պատրաստում ենք դասակարգիչ գտնել X- ի հնարավոր հնարավոր քարտեզագրումը դեպի S. համապատասխան կտոր: Այնուհետև մենք ստուգում ենք դասակարգիչը, թե որքանով է այն կարող կանխատեսեք S- ի մնացած մասը X- ի համապատասխան մնացած մասից: Եթե դուք չափազանց բախտավոր եք, ձեր X- ն և S- ն այնքան երկար կարող են լինել, որ կարողանաք դրանք բաժանել գնացքի, փորձարկման և վավերացման խմբերի: Վերջինը պահեք փակված տուփի մեջ:

Մենք, իհարկե, կարող էինք օգտագործել այնքան հզոր դասակարգիչ, որքան ցանկանում ենք: Լոգիստիկ ռեգրեսումից, բայեսյան մոտեցումներից մինչև 23 շերտանոց նյարդային ցանց օգտագործելը: Դա ավելի շուտ կախված է նրանից, թե ինչից եք ուզում դուրս գալ պատասխանից, և ձեզ հաճելի է մեկնաբանության և ուժի միջև փոխզիջումը: Ուրիշ տեղ գրածներս պարզ են դարձրել, թե որ կողմն եմ կողմնորոշվում այս առևտրին: Բայց ես ուրախ եմ, որ սխալ եմ ապացուցվել:

Նեյրոնների կոդավորող մոդելները խորաթափանց են, բայց շոշափում են որոշ հին և խորը փիլիսոփայական քվանդներ: Կոդավորող մոդելի միջոցով կոդավորման փորձարկումը ենթադրում է, որ ներքևում ինչ-որ բան փորձում է վերծանել S- ն նյարդային գործունեությունից: Դրա հետ կապված երկու խնդիր կա: Նեյրոնները չեն վերծանում; նեյրոնները վերցնում են բծերը որպես մուտք և դուրս են բերում իրենց սեփական բծերը: Փոխարենը, նրանք վերագրանցում են կոճերի մի ամբողջ փաթեթից դեպի այլ համեմունքներ ՝ գուցե ավելի քիչ կամ դանդաղ. գուցե ավելի, կամ ավելի արագ; միգուցե կայուն հոսքից դեպի տատանում: Այսպիսով, խտրական մոդելները ավելի ճշգրիտ են հարցնում, թե մեր նեյրոնները ինչ տեղեկություններ են վերագրանցում: Բայց նույնիսկ եթե մենք ընդունենք այս տեսակետը, ավելի խորքային խնդիր կա:

Շատ քիչ բացառություններով, գոյություն չունի «ցած» նեյրոն: X- ում գրանցված նեյրոնները խճճված լարված ուղեղի մի մասն են ՝ լի անսպառ հանգույցներով; դրանց արդյունքը ազդում է սեփական ներդրման վրա: Ամենավատն այն է, որ X- ի նեյրոններից մի քանիսը ներքևից հոսում են մյուսներից. Նրանցից ոմանք ուղղակիորեն մուտք են գործում մյուսներին: Քանի որ, ինչպես վերը նշվեց, նեյրոնները ազդում են միմյանց վրա:

Նյարդային տվյալների գիտության համար կոպիտ, գուցե և օգտակար մանիֆեստ: Թերի է; անկասկած, վերը նշված ինչ-որ բան սխալ է (բացիկի պատասխանները սովորական հասցեին): Վերոնշյալը լաբորատորիայի մի խումբ լաբորատորիաների աշխատանքը շատ անհամապատասխան հետաքրքրություններով սինթեզելու փորձ է, բայց այսպիսի մոդելի օգտագործումը ընդհանուր նյարդային տվյալների մեծ հավաքածու օգտագործելու փորձ է `խորը հարցերի պատասխանելու համար, թե ինչպես են աշխատում ուղեղը: Դրանցից շատերը տվյալների լաբորատորիաներ են, թիմեր, որոնք վերլուծում են փորձարարական տվյալները ՝ իրենց իսկ հարցերին պատասխանելու համար; անուններ դնել մի քանիսի `athոնաթան Բարձ; Քրիստիան Մաչեն; Կոնրադ Քրափինգ; Կանակա Ռաջան; Cոն Քինգինգհեմ; Ադրիեն Ֆերհոլ; Ֆիլիպ Բերենս; Cian O'Donnell; Il Memming Park; Jakob Macke; Գասպեր Տկաչիկ; Օլիվեր Մարե: Ում, ես: Մյուսները փորձարարական լաբորատորիաներ են, որոնք ունեն տվյալների գիտության ուժեղ հակումներ. Անն Չերքլենդ; Մարկ Churchland; Nicole Rust; Կրիշնա Շենոյ; Կառլոս Բրոդի; շատ ուրիշներ, որոնցից ես ներողություն եմ խնդրում ՝ չվանելու համար:

Կան կոնֆերանսներ, որտեղ այսպիսի աշխատանքը ողջունվում է, ոչ թե նույնիսկ խրախուսվում: Նյարդային տվյալների գիտության համար ամսագիր է ընթանում: Ինչ-որ բան կառուցում է: Ներս եկեք, տվյալների սիրուն *:

* այո, ես ստիպված էի անդրադառնալ տվյալներին որպես եզակի, որպեսզի այդ կատակ-կատակն աշխատի: Այն, որ ես գրում եմ այս ծանոթագրությունը `դա բացատրելու համար, ձեզ որոշակի պատկերացում կտա գիտնականների կողմից ակնկալվող մանրամասն նյարդային տվյալների մասին:

Moreանկանում եք ավելին: Հետևեք մեզ The Spike- ում

Twitter. @Markdhumphries