کتاب مدل‌سازی بایاس تصمیم‌گیری در شبکه‌های عصبی جاذب: از دینامیک سیستم تا انتخاب‌های ترجیحی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی بایاس تصمیم‌گیری در شبکه‌های عصبی جاذب: از دینامیک سیستم تا انتخاب‌های ترجیحی

موضوع کلی: مدل‌سازی عصبی تصمیم‌گیری

موضوع میانی: شبکه‌های عصبی جاذب و بایاس در تصمیم‌گیری

📋 سرفصل‌های دوره

• 1. مبانی مدل‌سازی عصبی: مروری بر نورون‌ها و شبکه‌های عصبی
• 2. آشنایی با مدل‌های ریاضی نورون‌ها (مانند Integrate-and-Fire و Hodgkin-Huxley)
• 3. مفهوم دینامیک سیستم و کاربرد آن در علوم اعصاب
• 4. آشنایی با مفاهیم پایداری، جاذبه و نقطه تعادل
• 5. معرفی شبکه‌های عصبی جاذب
• 6. اصول کار شبکه‌های عصبی جاذب برای ذخیره اطلاعات
• 7. مثال‌های ساده از شبکه‌های جاذب: حافظه و تشخیص الگو
• 8. شبکه‌های جاذب و تصمیم‌گیری: مفاهیم اولیه
• 9. ساختار کلی شبکه‌های جاذب تصمیم‌گیری
• 10. نحوه کدگذاری اطلاعات در شبکه‌های جاذب تصمیم‌گیری
• 11. معرفی وظایف تصمیم‌گیری و انتخاب‌های دوگانه
• 12. مدل‌های استاندارد تصمیم‌گیری با شبکه‌های جاذب
• 13. شبیه‌سازی یک شبکه جاذب تصمیم‌گیری ساده
• 14. تحلیل دینامیک شبکه جاذب تصمیم‌گیری
• 15. نقش پارامترهای شبکه در فرآیند تصمیم‌گیری
• 16. آشنایی با مفهوم بایاس در تصمیم‌گیری
• 17. انواع بایاس‌های شناختی و رفتاری
• 18. مدل‌سازی بایاس‌های مختلف در شبکه‌های عصبی
• 19. اهمیت مدل‌سازی بایاس در علوم اعصاب
• 20. معرفی مقاله "Modeling bias in decision-making attractor networks"
• 21. مروری بر روش‌شناسی مقاله: مدل‌سازی و شبیه‌سازی
• 22. ساختار شبکه عصبی مورد استفاده در مقاله
• 23. نحوه پیاده‌سازی بایاس‌های مختلف در مدل
• 24. بررسی نتایج شبیه‌سازی‌های مقاله
• 25. تحلیل اثرات بایاس‌های مختلف بر عملکرد شبکه
• 26. مقایسه نتایج مدل با داده‌های رفتاری
• 27. شناسایی مکانیسم‌های عصبی زیربنای بایاس‌ها
• 28. نقش نورون‌های ورودی در ایجاد بایاس
• 29. اثر فعالیت پیش‌انتخاب شده بر تصمیم‌گیری
• 30. مدل‌سازی نورون‌های پیش‌انتخاب شده
• 31. ارتباط بین بایاس و زمان واکنش (RT)
• 32. تاثیر بایاس بر دقت تصمیم‌گیری
• 33. مطالعه پویایی شبکه در حضور بایاس
• 34. بررسی نقش اتصالات جانبی در ایجاد بایاس
• 35. اثر تقویت جانبی بر انتخاب ترجیحی
• 36. مدل‌سازی تعامل بین مناطق مختلف مغز
• 37. ادغام اطلاعات حسی و پیش‌زمینه در تصمیم‌گیری
• 38. نقش یادگیری و پلاستیسیته در ایجاد بایاس
• 39. مدل‌سازی یادگیری در شبکه‌های جاذب
• 40. تأثیر تقویت سیناپسی بر بایاس
• 41. بررسی مکانیسم‌های مولکولی در ایجاد بایاس
• 42. مدل‌سازی تاثیر انتقال‌دهنده‌های عصبی بر بایاس
• 43. نقش دوپامین در تعدیل تصمیم‌گیری و بایاس
• 44. آشنایی با مدل‌های محاسباتی پیشرفته‌تر
• 45. مدل‌سازی شبکه‌های جاذب با تعداد نورون‌های بیشتر
• 46. استفاده از روش‌های یادگیری ماشین برای مدل‌سازی بایاس
• 47. کاربرد شبکه‌های عصبی عمیق در مدل‌سازی تصمیم‌گیری
• 48. مدل‌سازی بایاس‌های پیچیده با استفاده از شبکه‌های عمیق
• 49. مقایسه مدل‌های مختلف و انتخاب بهترین مدل
• 50. ارزیابی و اعتبارسنجی مدل‌های تصمیم‌گیری
• 51. روش‌های آماری برای تحلیل داده‌های شبیه‌سازی
• 52. تکنیک‌های تجسم‌سازی داده‌ها برای شبکه‌های عصبی
• 53. معرفی نرم‌افزارهای شبیه‌سازی شبکه‌های عصبی (مانند NEURON و Brian)
• 54. نحوه استفاده از ابزارهای شبیه‌سازی
• 55. پیاده‌سازی یک شبکه جاذب تصمیم‌گیری در نرم‌افزار انتخابی
• 56. تنظیم پارامترهای شبکه و بررسی اثرات آنها
• 57. خطاها و راه‌حل‌های رایج در شبیه‌سازی شبکه‌های عصبی
• 58. مطالعه موردی: مدل‌سازی تصمیم‌گیری در وظایف ادراکی
• 59. مدل‌سازی تصمیم‌گیری در وظایف حرکتی
• 60. مدل‌سازی تصمیم‌گیری در بیماران با اختلالات عصبی
• 61. کاربرد شبکه‌های جاذب در مدل‌سازی اختلالات روانی (مانند اسکیزوفرنی)
• 62. تحلیل تأثیر داروها بر فرآیند تصمیم‌گیری و بایاس
• 63. نقش شبکه‌های جاذب در هوش مصنوعی
• 64. استفاده از شبکه‌های جاذب در رباتیک و کنترل
• 65. معرفي چالش‌ها و محدوديت‌های مدل‌سازی
• 66. آینده تحقیقات در زمینه شبکه‌های جاذب و تصمیم‌گیری
• 67. ترکیب مدل‌های محاسباتی و داده‌های رفتاری
• 68. مدل‌سازی ترکیبی: ادغام داده‌های مغزی و محاسباتی
• 69. نقش تصویربرداری عصبی در مدل‌سازی شبکه‌های جاذب (fMRI, EEG)
• 70. استفاده از داده‌های ژنتیکی در مدل‌سازی
• 71. بهره‌گیری از هوش جمعی و یادگیری تقویتی در مدل‌سازی
• 72. بهبود دقت و سرعت تصمیم‌گیری با استفاده از شبکه‌های جاذب
• 73. مدل‌سازی تعاملات اجتماعی در تصمیم‌گیری
• 74. اثرات محیط اجتماعی بر بایاس‌ها
• 75. بررسی نقش اعتماد و همکاری در شبکه‌های تصمیم‌گیری
• 76. مدل‌سازی تصمیم‌گیری در شرایط عدم قطعیت
• 77. اثرات ریسک و پاداش بر تصمیم‌گیری
• 78. نقش قشر پیش‌پیشانی (PFC) در تصمیم‌گیری و بایاس
• 79. بررسی تعامل PFC با سایر مناطق مغزی
• 80. مدل‌سازی فرآیندهای شناختی سطح بالا
• 81. اثرات توجه بر تصمیم‌گیری
• 82. مدل‌سازی یادگیری تقویتی در شبکه‌های جاذب
• 83. نقش خطا و بازخورد در تعدیل تصمیم‌گیری و بایاس
• 84. استفاده از روش‌های بیزی در مدل‌سازی تصمیم‌گیری
• 85. ارتباط بین مدل‌های محاسباتی و نظریه‌های روان‌شناختی
• 86. مدل‌سازی تصمیم‌گیری چند مرحله‌ای
• 87. اثرات تأخیر در تصمیم‌گیری
• 88. بررسی نقش زمان در تصمیم‌گیری و بایاس
• 89. مدل‌سازی تصمیم‌گیری در افراد با سنین مختلف
• 90. تأثیر پیری بر فرآیندهای تصمیم‌گیری
• 91. اثرات آسیب مغزی بر شبکه‌های تصمیم‌گیری و بایاس
• 92. کاربرد شبکه‌های جاذب در علوم اعصاب محاسباتی
• 93. مروری بر مقالات تحقیقاتی مرتبط با موضوع
• 94. ایجاد یک مدل سفارشی از تصمیم‌گیری
• 95. اصول طراحی یک پروژه تحقیقاتی در زمینه شبکه‌های جاذب
• 96. جمع‌آوری و تحلیل داده‌های رفتاری
• 97. نوشتن مقاله علمی در زمینه شبکه‌های جاذب و تصمیم‌گیری
• 98. ارائه نتایج در کنفرانس‌های علمی
• 99. آشنایی با مباحث اخلاقی در تحقیقات علوم اعصاب
• 100. چالش‌های پیش روی پژوهشگران در زمینه مدل‌سازی تصمیم‌گیری