はじめに

Neuromatchの計算論的神経科学コースへようこそ！

コンセプトマップ

画像はJohn Butlerによる制作で、色彩の専門的アドバイスはIsabelle Butlerによるものです

カリキュラム概要

計算論的神経科学コースへようこそ！

この分野がますます広がる中で難しい課題ではありますが、計算論的神経科学のほとんどの領域を網羅するカリキュラムを厳選しました。
理論的モデリングとよりデータ駆動型の解析の両方に触れていただきます。このセクションではカリキュラムの概要を説明します。

まず、いくつかの任意参加の前提知識リフレッシュから始めます。

Neuro Video Series は、基礎的な神経科学の概念と神経科学の手法をカバーする12本の動画シリーズです。これらの動画は完全に任意で、固定された順序で視聴する必要はありません。自分の知識をブラッシュアップするのに役立つ動画を自由に選んでください。

前提知識リフレッシュの日は非同期形式なので、自分のペースで学習できます。
単純な神経モデルであるリーキーインテグレート・アンド・ファイアモデルを動機付けとして使い、Pythonのコーディングをゼロから学びます。
その後、線形代数、微積分、確率・統計を学びます。
これらのトピックは計算論的神経科学コースに必要な内容を慎重に選んでいます。

その後、いよいよ本コースの開始です！最初はモデリング入門モジュールから始めます。初日には、神経科学のモデルでどのような広範な質問ができるか（モデルタイプ）について学びます。
モデルを使って「何が起きているか」「どのように起きているか」「なぜ起きているか」を問うことができることを学びます。重要なのは、モデルを使う際に「何を」「どのように」「なぜ」という質問に基づいて分類し、使用するツールキットでは分類しないという点です！

モデルでどんな質問ができるか、そしてそのプロセスを理解した後は、機械学習モジュールに進みます。
このモジュールでは、モデルをデータにフィットさせ、神経科学の質問を立てて答える方法を学びます。機械学習を使って「何が起きているか」「どのように」「なぜ」というさまざまな質問を立てられますが、特に「何が起きているか」を問うデータ駆動型の解析に焦点を当てます。
モデルをデータにフィットさせる基本原理（モデルフィッティング）、一般化線形モデルを使ったエンコーディング・デコーディングモデルのフィッティング（一般化線形モデル）、データの潜在的な低次元構造の発見（次元削減）、そして深層学習を使ったより複雑なエンコーディングモデルの構築や視覚系との比較（深層学習）について学びます。
その後、プロジェクトに取り組み、モデリングのステップバイステップガイドを使って自分のプロジェクトに適用する（モデリング実践）方法を学びます。

次に、動的システム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学び、より生物学的に妥当なニューロンやニューロンネットワークのモデル構築に応用します。
線形システムでは、コース全体で使う動的システムの基礎知識を多く学び、次のモジュールの基盤となる確率的システムにも簡単に触れます。
生物学的ニューロンモデルでは、この知識を使って生物学に根ざした個々のニューロンモデルを構築し始めます。
動的ネットワークでは、前日の内容を拡張し、ニューロンのネットワークを構築・解析します。
これらのモデルでは「どのように」起きているかというメカニズム的な質問をよく扱います。これらのモデルは機械学習モデルとは異なり、直接データにフィットさせるのではなく、システムのボトムアップの知識に基づいて構築されます。

次に、確率過程モジュールに進みます。まず、意思決定の文脈でベイズ推論を学びます（ベイズ的意思決定）。具体的には、観測から世界の状態を推定する方法を学びます。
次の日には時間を含めて拡張し、世界の状態が時間とともに変化する（隠れた動態）ことを扱います。
さらに、行動をとって世界の状態に影響を与える方法（最適制御と強化学習）を学びます。
これらのモデルも「何を」「どのように」「なぜ」というモデルとして使えますが、特に「なぜ」脳がこの計算をするのかという問いに焦点を当てます。

最後に、因果関係について学びます（ネットワーク因果性）。これは科学において最も重要な問いの一つで、何かが因果的に関連しているのか単なる相関なのかをいつ判別できるかを扱います。