Neurosciences computationnelles

Pour suivre ce cours, les étudiants doivent avoir des connaissances :
● Algèbre linéaire, probabilités et statistiques
● Algorithmes et programmation (Python)

À la fin de ce cours, les étudiants devraient être capables de :
1. Comprendre les principes fondamentaux des neurosciences computationnelles
2. Modéliser des neurones individuels et des réseaux de neurones
3. Appliquer des concepts de neurosciences computationnelles pour résoudre des
problèmes en ingénierie et en intelligence artificielle

1. Bases des neurosciences
a. Neurones et synapses
b. Réseaux de neurones
c. Plasticité et apprentissage
2. Codage et information
a. Codage binaire
b. Codage fréquentiel
c. Codage par événements (spikes)
3. Théorie de la décision
a. Théorie bayésienne de la décision
b. Apprentissage par renforcement
c. Inférence active
4. Neurosciences et Intelligence Artificielle
a. Théorie(s) du perceptron
b. Réseaux à attracteurs
c. Auto-encodeurs et réseaux génératifs
5. Décodage et interprétation des données en neurosciences

Les "neurosciences computationnelles" sont un champ de recherche assez large à
l'intersection des neurosciences et de l'informatique. Le terme computationnel fait référence
à la notion de calcul. On peut donc également parler de neuro-calcul.
Ainsi, l'étude du système nerveux, sous l'angle computationnel, a deux objectifs:
1. Explorer des mécanismes de calcul alternatifs bio-inspirés (calcul distribué, réseaux
de neurones, programmation par événements)
2. Comprendre le fonctionnement du cerveau, de la représentation de l’environnement
extérieur et des processus internes aux opérations effectuées sur ces
représentations

Contrôle continu:
- Travaux dirigés et participation en classe : 40%
- Projet pratique : 60%

● Emmanuel Daucé
● Matthieu Gilson