న్యూరల్ డేటా సైన్స్: ఎలా మరియు ఎందుకు

న్యూరాన్లపై డేటా సైన్స్ చేయడానికి కఠినమైన గైడ్

డేటా సైన్స్ చేస్తున్న మెదడు. క్రెడిట్: నామవాచక ప్రాజెక్ట్ నుండి మాట్ వాసర్ చేత మెదడు

నిశ్శబ్దంగా, దొంగతనంగా, కొత్త రకం న్యూరో సైంటిస్ట్ రూపుదిద్దుకుంటున్నారు. అనేకమంది సిద్ధాంతకర్తల నుండి, న్యూరో సైంటిస్టుల బృందాలు పెరిగాయి, ఇవి న్యూరల్ యాక్టివిటీపై డేటాతో, వందలాది న్యూరాన్ల యొక్క చిన్న చీలికలపై. డేటాను విశ్లేషించడానికి పద్ధతుల సృష్టి కాదు, అయినప్పటికీ అందరూ అలా చేస్తారు. ఆ డేటాను సేకరించడం కాదు, దీనికి మరొక, బలీయమైన, నైపుణ్యం సమితి అవసరం. కానీ న్యూరో సైంటిస్టులు మెదడు గురించి శాస్త్రీయ ప్రశ్నలకు సమాధానం ఇవ్వడానికి ఆ డేటాపై ఆధునిక గణన పద్ధతుల పూర్తి స్థాయిని ఉపయోగిస్తున్నారు. ఒక న్యూరల్ డేటా సైన్స్ ఉద్భవించింది.

నాడీ డేటా శాస్త్రవేత్తల ఈ వంశం నేను వారిలో ఒకడిని అని తేలింది. అనుకోకుండా. నేను చెప్పగలిగినంతవరకు, అన్ని శాస్త్రీయ రంగాలు ఎలా పుడతాయి: అనుకోకుండా. పరిశోధకులు వారి ముక్కులను అనుసరిస్తారు, క్రొత్త పనులు చేయడం ప్రారంభించండి మరియు పార్టీలలో వంటగదిలో వారిలో కొద్దిమంది ఉన్నారని అకస్మాత్తుగా తెలుసుకోండి (ఎందుకంటే పానీయాలు ఎక్కడ ఉన్నాయి, ఫ్రిజ్‌లో ఉన్నాయి - శాస్త్రవేత్తలు తెలివైనవారు). కాబట్టి న్యూరల్ డేటా సైన్స్ కోసం ఇక్కడ ఒక చిన్న మ్యానిఫెస్టో ఉంది: ఇది ఎందుకు ఉద్భవిస్తోంది మరియు దీన్ని చేయడం గురించి మనం ఎలా సెట్ చేయవచ్చు.

డేటా సైన్స్‌ను ఉమ్మివేసిన సైన్స్ యొక్క అన్ని రంగాలకు ఎందుకు సమానం: డేటా మొత్తం చేతిలో లేదు. చాలా న్యూరాన్‌లను రికార్డ్ చేసే శాస్త్రం కోసం, ఈ డేటా వరదలో శాస్త్రీయ హేతుబద్ధత ఉంది. న్యూరాన్ల మధ్య సందేశాలను పంపడం ద్వారా మెదళ్ళు పనిచేస్తాయి. ఆ సందేశాలలో ఎక్కువ భాగం విద్యుత్తు యొక్క చిన్న పప్పుల రూపాన్ని తీసుకుంటాయి: వచ్చే చిక్కులు, మేము వాటిని పిలుస్తాము. కాబట్టి చాలామందికి మెదడు ఎలా పనిచేస్తుందో అర్థం చేసుకోవాలంటే (మరియు అవి పని చేయనప్పుడు) అన్ని న్యూరాన్ల మధ్య పంపబడుతున్న అన్ని సందేశాలను మనం సంగ్రహించాల్సిన అవసరం ఉంది. మరియు అంటే వీలైనన్ని న్యూరాన్ల నుండి ఎక్కువ స్పైక్‌లను రికార్డ్ చేయడం.

ఒక శిశువు జీబ్రాఫిష్ మెదడులో సుమారు 130,000 న్యూరాన్లు ఉన్నాయి మరియు వాటి మధ్య కనీసం 1 మిలియన్ కనెక్షన్లు ఉన్నాయి; బంబుల్బీ మెదడులో ఒక మిలియన్ న్యూరాన్లు ఉన్నాయి. ఇది చాలా త్వరగా చేతిలో నుండి ఎలా బయటపడుతుందో మీరు చూడవచ్చు. ప్రస్తుతం మేము ప్రామాణిక కిట్‌తో ఒకే సమయంలో పదుల నుండి కొన్ని వందల న్యూరాన్‌ల మధ్య ఎక్కడో రికార్డ్ చేసాము. పరిమితుల వద్ద ప్రజలు కొన్ని వేల మందిని రికార్డ్ చేస్తున్నారు, మరికొందరు పదివేల మందిని కూడా పొందుతున్నారు (ఈ రికార్డింగ్‌లు న్యూరాన్‌ల కార్యకలాపాలను న్యూరాన్‌ల కంటే చాలా నెమ్మదిగా రేటుతో సంగ్రహిస్తున్నప్పటికీ).

మేము ఈ పిచ్చి వ్యవస్థలను న్యూరోసైన్స్ అని పిలుస్తాము: న్యూరోసైన్స్, న్యూరాన్ల అధ్యయనం కోసం; వ్యవస్థలు, ఒకేసారి ఒకటి కంటే ఎక్కువ న్యూరాన్ల నుండి రికార్డ్ చేయడానికి ధైర్యం కోసం. మరియు డేటా మనస్సు-వంగే సంక్లిష్టంగా ఉంటుంది. మన దగ్గర ఉన్నది ఒకేసారి రికార్డ్ చేయబడిన వేలాది సమయ శ్రేణి, ప్రతి న్యూరాన్ నుండి వచ్చే స్పైకింగ్ సంఘటనల ప్రవాహం (వాస్తవ స్పైక్‌లు లేదా కొన్ని పరోక్ష కొలతలు). నిర్వచనం ప్రకారం, అవి స్థిరంగా లేవు, వాటి గణాంకాలు కాలక్రమేణా మారుతాయి. వారి కార్యాచరణ రేట్లు సన్యాసి లాంటి నిశ్శబ్ద ధ్యానం నుండి “విండ్ టన్నెల్‌లో డ్రమ్ కిట్” వరకు అనేక ఆర్డర్‌లలో వ్యాపించాయి. మరియు వారి కార్యాచరణ యొక్క నమూనాలు గడియారం లాంటి క్రమబద్ధత నుండి, నత్తిగా మాట్లాడటం మరియు చిందరవందర చేయడం, ఉన్మాదం మరియు అలసట యొక్క పోట్ల మధ్య ప్రత్యామ్నాయం వరకు ఉంటాయి.

ఇప్పుడు మీరు న్యూరాన్లను రికార్డ్ చేసిన జంతువు యొక్క ప్రవర్తనతో వివాహం చేసుకోండి. ఈ ప్రవర్తన వందలాది ఎంపికల ప్రయత్నాలు; లేదా చేయి కదలికలు; లేదా పర్యావరణం ద్వారా తీసుకున్న మార్గాలు. లేదా ఇంద్రియ అవయవం యొక్క కదలిక, లేదా కండరాల మొత్తం భంగిమ. బహుళ జంతువుల కోసం పునరావృతం చేయండి. బహుశా బహుళ మెదడు ప్రాంతాలు. మరియు కొన్నిసార్లు మొత్తం మెదళ్ళు.

మాకు భూమి-నిజం లేదు. సరైన సమాధానం లేదు; ప్రవర్తన తప్ప డేటా కోసం శిక్షణ లేబుల్స్ లేవు. మెదడు ప్రవర్తనను ఎలా ఎన్కోడ్ చేస్తుందో మాకు తెలియదు. కాబట్టి మేము ప్రవర్తనా లేబుళ్ళతో పనులు చేయగలము, కాని ఇవి సమాధానం కాదని మనకు ఎల్లప్పుడూ తెలుసు. అవి “సమాధానం” కు ఆధారాలు మాత్రమే.

సిస్టమ్స్ న్యూరోసైన్స్ అప్పుడు డేటాను విశ్లేషించడానికి వారి న్యూరోసైన్స్ పరిజ్ఞానాన్ని వారి జ్ఞానంతో వివాహం చేసుకోగల వారికి గొప్ప ఆట స్థలం. ఒక న్యూరల్ డేటా సైన్స్ పుట్టింది.

ఇది ఎలా ఉంది - లేదా అది చేయగలదా? ఇక్కడ ఒక కఠినమైన గైడ్ ఉంది. న్యూరల్ డేటా సైంటిస్ట్ యొక్క రైసన్ డిట్రే సిస్టమ్స్ న్యూరోసైన్స్ నుండి డేటా యొక్క శాస్త్రీయ ప్రశ్నలను అడగడం; అడగడానికి: ఈ న్యూరాన్లన్నీ కలిసి తమ పనిని ఎలా చేస్తాయి?

మేము ఆ ప్రశ్నకు సమాధానం ఇవ్వడానికి సుమారు మూడు మార్గాలు ఉన్నాయి. మెషీన్ లెర్నింగ్‌లో స్థిరపడిన తరగతుల సమస్యల మధ్య సంబంధాలను మరియు సిస్టమ్స్ న్యూరోసైన్స్‌లో గణన సవాళ్లను చూడటం ద్వారా మనం ఈ మూడు మార్గాలను చూడవచ్చు. మనం పని చేయాల్సిన వాటిని చూడటం ద్వారా ప్రారంభిద్దాం.

మేము కాలక్రమేణా సేకరించిన n న్యూరాన్ల నుండి కొంత డేటా ఉంది. మేము వీటిని X అని పిలుస్తాము - న్యూరాన్‌ల వలె చాలా నిలువు వరుసలు, మరియు మేము రికార్డ్ చేసిన టైమ్-పాయింట్ల వలె చాలా వరుసలు (ఇక్కడ “టైమ్-పాయింట్” ఎంతకాలం ఉంటుంది అనేది మనకు తెలుసు: దీన్ని చిన్నదిగా చేసి, ప్రతి ఎంట్రీ రికార్డ్‌ను స్పైక్‌కు 1, మరియు 0 లేకపోతే. లేదా మనం ఎక్కువసేపు చేయవచ్చు, మరియు ప్రతి ఎంట్రీ ఆ గడిచిన సమయంలో వచ్చే చిక్కుల సంఖ్యను నమోదు చేస్తుంది). ఆ సమయంలో, ప్రపంచంలో విషయాలు జరుగుతున్నాయి - శరీరం ఏమి చేస్తున్నాయో సహా. కాబట్టి మనం S అని పిలవబడే మాతృకలో అన్నింటినీ ముద్ద చేద్దాం - మనం శ్రద్ధ వహించే ప్రపంచంలో లక్షణాలు ఉన్నన్ని నిలువు వరుసలు మరియు ఆ లక్షణాల కోసం మేము రికార్డ్ చేసిన టైమ్-పాయింట్ల వరుసలు.

సాంప్రదాయకంగా, యంత్ర అభ్యాసంలో ప్రపంచ స్థితి మరియు అందుబాటులో ఉన్న డేటా గురించి మూడు తరగతుల నమూనాలను నిర్మించడం ఉంటుంది: ఉత్పాదక, వివక్షత మరియు సాంద్రత. కఠినమైన మార్గదర్శిగా, సిస్టమ్స్ న్యూరోసైన్స్లో ప్రతి తరగతి ప్రాథమిక ప్రశ్నకు ఎలా అనుగుణంగా ఉందో ఈ పట్టిక చూపిస్తుంది:

1 / డెన్సిటీ మోడల్స్ పి (ఎక్స్): వచ్చే చిక్కుల్లో నిర్మాణం ఉందా? నీరసంగా అనిపిస్తుంది. కానీ వాస్తవానికి ఇది న్యూరోసైన్స్ పరిశోధన యొక్క గొప్ప మార్గాలకు కీలకం, దీనిలో మనం మెదడుపై ఏదో (ఒక, షధం, ప్రవర్తన, నిద్ర) ప్రభావాన్ని తెలుసుకోవాలనుకుంటున్నాము; దీనిలో మేము అడుగుతున్నాము: నాడీ కార్యకలాపాల నిర్మాణం ఎలా మారిపోయింది?

న్యూరాన్ల సమూహం యొక్క రికార్డింగ్‌తో, మేము దీనికి మూడు విధాలుగా సమాధానం ఇవ్వగలము.

మొదట, ప్రతి న్యూరాన్ యొక్క స్పైక్-రైలును, స్పైకింగ్ రేటు వంటి X యొక్క ప్రతి కాలమ్ యొక్క గణాంకాలను కొలవడం ద్వారా మేము లెక్కించవచ్చు. ఆపై అడగండి: ఈ గణాంకాలకు P (X) మోడల్ ఏమిటి? న్యూరాన్ యొక్క “రకాలను” కనుగొనడానికి మేము ఈ గణాంకాలను క్లస్టర్ చేయవచ్చు; లేదా వాటి మొత్తం ఉమ్మడి పంపిణీకి మోడళ్లను సరిపోతుంది. ఎలాగైనా, సింగిల్ న్యూరాన్ల గ్రాన్యులారిటీ వద్ద డేటా నిర్మాణం యొక్క కొంత నమూనా మనకు ఉంది.

రెండవది, మొత్తం జనాభా యొక్క క్షణం నుండి క్షణం కార్యాచరణ యొక్క వెక్టర్స్ - X యొక్క అడ్డు వరుసలను ఉపయోగించి, మొత్తం జనాభా యొక్క కార్యాచరణ యొక్క ఉత్పాదక నమూనాలను సృష్టించవచ్చు. ఇటువంటి నమూనాలు సాధారణంగా X యొక్క నిర్మాణాన్ని కేవలం కొన్ని అడ్డంకుల నుండి పునర్నిర్మించవచ్చో అర్థం చేసుకోవడమే లక్ష్యంగా పెట్టుకుంటాయి, అవి ఎన్ని వెక్టర్స్ ఎన్ని స్పైక్‌లను కలిగి ఉన్నాయో వాటి పంపిణీ అయినా; లేదా న్యూరాన్ల మధ్య జత సంబంధాలు; లేదా దాని కలయికలు. జనాభా యొక్క కార్యాచరణలో ఏదైనా ప్రత్యేకమైన సాస్ ఉంటే, ఇది స్వతంత్ర లేదా బోరింగ్ సరళమైన న్యూరాన్ల సమితి యొక్క సామూహిక కార్యాచరణ కంటే మరేదైనా ఉంటే పని చేయడానికి ఇవి చాలా ఉపయోగపడతాయి.

మూడవది, X లోని నాడీ కార్యకలాపాలు తక్కువ డైమెన్షనల్ స్థలం యొక్క కొంత ఎక్కువ డైమెన్షనల్ రియలైజేషన్, ఇక్కడ కొలతలు D << n. సాధారణంగా దీని అర్థం: X లోని కొన్ని న్యూరాన్లు పరస్పర సంబంధం కలిగివుంటాయి, కాబట్టి జనాభాను అర్థం చేసుకోవడానికి మేము మొత్తం X ని ఉపయోగించాల్సిన అవసరం లేదు - బదులుగా మనం వాటిని చాలా సరళమైన ప్రాతినిధ్యంతో భర్తీ చేయవచ్చు. మేము సమయ శ్రేణిని నేరుగా క్లస్టర్ చేయవచ్చు, కాబట్టి X ను N చిన్న మాత్రికల X_1 నుండి X_N కు కుళ్ళిపోవచ్చు, వీటిలో ప్రతి దానిలో (సాపేక్షంగా) బలమైన సహసంబంధాలు ఉన్నాయి మరియు స్వతంత్రంగా చికిత్స చేయవచ్చు. లేదా మేము ప్రిన్సిపల్ కాంపోనెంట్స్ అనాలిసిస్ వంటి రకమైన కొలత తగ్గింపు విధానాన్ని ఉపయోగించవచ్చు, కాలక్రమేణా జనాభా కార్యకలాపాల్లో ఒక ఆధిపత్య రూపాన్ని వివరించే ఒక చిన్న సమయ శ్రేణిని పొందవచ్చు.

దీని కంటే ఎక్కువ చేయగలం. పైన పేర్కొన్నది మేము న్యూరాన్‌లను కూల్చడానికి డైమెన్షన్ తగ్గింపును ఉపయోగించాలనుకుంటున్నాము - మేము X యొక్క నిలువు వరుసలకు తగ్గింపును వర్తింపజేస్తాము. కాని X యొక్క అడ్డు వరుసలకు డైమెన్షన్ తగ్గింపును వర్తింపజేయడం ద్వారా మనం సమయాన్ని సులభంగా కుదించవచ్చు. నాడీ కార్యకలాపాలు పునరావృతమా అని అడగడానికి బదులు , సమయం లో వేర్వేరు క్షణాలు నాడీ కార్యకలాపాల నమూనాలను కలిగి ఉన్నాయా అని ఇది అడుగుతుంది. వీటిలో కొన్ని మాత్రమే ఉంటే, స్పష్టంగా రికార్డ్ చేయబడిన న్యూరాన్ల యొక్క డైనమిక్స్ చాలా సులభం.

మేము ఇక్కడ కూడా డైనమిక్ సిస్టమ్స్ విధానాలలో విసిరివేయవచ్చు. ఇక్కడ మేము కాలక్రమేణా X లో మార్పులకు సరళమైన మోడళ్లను అమర్చడానికి ప్రయత్నిస్తాము (అనగా ఒక వరుస నుండి మరొక వరుసకు మ్యాపింగ్), మరియు X కలిగి ఉన్న డైనమిక్స్ రకాలను లెక్కించడానికి ఆ మోడళ్లను ఉపయోగిస్తాము - “ఆకర్షకుడు”, “సెపట్రిక్స్”, “ జీను నోడ్ ”,“ పిచ్‌ఫోర్క్ విభజన ”మరియు“ ఆర్సెనల్ పతనం ”(వాటిలో ఒకటి మాత్రమే నిజమైన విషయం కాదు). డేటా యొక్క నిర్మాణాన్ని వివరించే విధంగా అన్ని సాంద్రత నమూనాలు P (X) అని అమర్చిన డైనమిక్ నమూనాలను ఒకరు వాదించవచ్చు.

హెల్, మేము ఒక న్యూరల్ సర్క్యూట్ యొక్క మొత్తం డైనమిక్ మోడల్‌ను, ప్రతి న్యూరాన్‌ను వివరించే అవకలన సమీకరణాల సమూహాన్ని X కి కూడా ప్రయత్నించవచ్చు మరియు సరిపోతుంది, తద్వారా మా మోడల్ P (X) మేము వేర్వేరు ప్రారంభ పరిస్థితుల నుండి మోడల్‌ను నడుపుతున్న ప్రతిసారీ నమూనాగా ఉంటుంది. .

ఈ సాంద్రత నమూనాలతో, మేము వేర్వేరు రాష్ట్రాల (S1, S2,…, Sm) లో నమోదు చేసిన నాడీ కార్యకలాపాలకు వాటిని విడిగా అమర్చవచ్చు మరియు వంటి ప్రశ్నలకు సమాధానం ఇవ్వండి: న్యూరాన్ల జనాభా యొక్క నిర్మాణం నిద్ర మరియు మధ్య ఎలా మారుతుంది? మేల్కొనే? లేదా జంతువు అభివృద్ధి సమయంలో? లేదా ఒక పనిని నేర్చుకునేటప్పుడు (ఇక్కడ S1 ట్రయల్ 1, మరియు S2 ట్రయల్ 2; లేదా S1 అనేది సెషన్ 1 మరియు S2 సెషన్ 2; లేదా చాలా కలయికలు). మనం కూడా అడగవచ్చు: న్యూరాన్ కార్యాచరణ ఎన్ని కొలతలు కలిగి ఉంటుంది? కార్టెక్స్ యొక్క వివిధ ప్రాంతాల మధ్య కొలతలు భిన్నంగా ఉన్నాయా? మరియు ఎవరైనా నా కీలను చూశారా?

2 / జనరేటివ్ మోడల్స్ P (X | S): స్పైక్‌కు కారణమేమిటి? ఇప్పుడు మేము మాట్లాడుతున్నాము. లీనియర్-నాన్ లీనియర్ మోడల్స్ లేదా సాధారణీకరించిన లీనియర్ మోడల్స్ వంటివి. సాధారణంగా ఈ నమూనాలు సింగిల్ న్యూరాన్‌లకు, X యొక్క ప్రతి కాలమ్‌కు వర్తించబడతాయి. వాటితో మేము ప్రపంచ S యొక్క స్థితిని ఇన్‌పుట్‌గా ఉపయోగించే మోడల్‌ను అమర్చాము మరియు న్యూరాన్ యొక్క కార్యాచరణకు సాధ్యమైనంత దగ్గరగా సరిపోయే ఒక న్యూరల్ యాక్టివిటీ సిరీస్‌ను ఉమ్మి వేస్తాము. న్యూరాన్ యొక్క కార్యాచరణను పునరుత్పత్తి చేయడంలో S యొక్క ప్రతి లక్షణానికి ఇచ్చిన వెయిటింగ్‌ను పరిశీలించడం ద్వారా, ఆ న్యూరాన్ దేని గురించి హేయమైనదిగా కనబడుతుందో మేము పని చేయవచ్చు.

“ప్రపంచ స్థితి” గా లెక్కించడంలో కొంత సౌలభ్యం ఉన్న మోడల్‌ను ఎంచుకోవాలనుకోవచ్చు. మేము న్యూరాన్ యొక్క స్వంత గత కార్యాచరణను ఒక లక్షణంగా చేర్చవచ్చు మరియు ఇది గతంలో చేసిన దాని గురించి పట్టించుకుంటుందో లేదో చూడవచ్చు. కొన్ని రకాల న్యూరాన్ల కోసం, సమాధానం అవును. పగిలిపోవడం ఒక న్యూరాన్ నుండి చాలా పడుతుంది, మరియు అది మళ్ళీ వెళ్ళే ముందు అల్పమైన విశ్రాంతి కోసం పడుకోవాలి. మేము మరింత విస్తృతంగా ఆలోచించగలము మరియు మిగిలిన జనాభాను - మిగిలిన X ను చేర్చవచ్చు - న్యూరాన్ కాల్పులు జరుపుతున్నప్పుడు ప్రపంచ S స్థితిలో భాగంగా. అన్నింటికంటే, న్యూరాన్లు అప్పుడప్పుడు ఒకరి కాల్పులను ప్రభావితం చేస్తాయి, లేదా నేను నమ్మడానికి దారితీస్తున్నాను. కాబట్టి విజువల్ కార్టెక్స్‌లో న్యూరాన్ యొక్క ప్రతిస్పందన బాహ్య ప్రపంచంలో ఒక అంచు యొక్క ధోరణి ద్వారా నడపబడటానికి ఒక చిన్న అవకాశం ఉంది, కానీ దానికి అనుసంధానించే 10000 కార్టికల్ న్యూరాన్లు కూడా ఏమి చేస్తున్నాయనే దానిపై కూడా ఆధారపడి ఉంటుంది. జనాభాలో దాదాపుగా అత్యంత ప్రభావవంతమైన న్యూరాన్లు మనం నేర్చుకుంటాము.

మేము ఈ ఉత్పాదక నమూనాలను సింగిల్ న్యూరాన్లకు వర్తించాల్సిన అవసరం లేదు. మేము వాటిని మా సాంద్రత నమూనాలకు సమానంగా వర్తింపజేయవచ్చు; ప్రతి క్లస్టర్ లేదా పరిమాణం ప్రపంచం గురించి ఎన్కోడింగ్ ఏమిటో మనం అడగవచ్చు. లేదా, కొంతమంది ఇక్కడ చేసినట్లుగా, మేము సాంద్రత మోడల్‌ను ప్రపంచ స్థితిగా ఉపయోగించుకోవచ్చు మరియు ఆ మోడల్ దిగువ న్యూరాన్లు ఏ లక్షణాల గురించి తిట్టుకుంటాయో అడగండి.

ఈ ఉత్పాదక నమూనాలతో మేము సమాధానం ఇవ్వగల ప్రశ్నల రకాలు చాలా స్పష్టంగా ఉన్నాయి: న్యూరాన్ యొక్క ప్రతిస్పందనను ఏ లక్షణాల కలయిక ఉత్తమంగా అంచనా వేస్తుంది? కేవలం ఒక విషయం కోసం ఎంపిక చేసిన న్యూరాన్లు ఉన్నాయా? న్యూరాన్లు ఒకరినొకరు ఎలా ప్రభావితం చేస్తాయి?

3 / వివక్షత లేని నమూనాలు P (S | X): వచ్చే చిక్కులు ఏ సమాచారాన్ని కలిగి ఉంటాయి? సిస్టమ్స్ న్యూరోసైన్స్లో ఇది ఒక ప్రధాన ప్రశ్న, ఎందుకంటే ఇది మన నమోదిత జనాభా నుండి దిగువ ఉన్న అన్ని న్యూరాన్లు ఎదుర్కొంటున్న సవాలు - మన మాతృక X లో మేము రికార్డ్ చేసిన మరియు నింపిన న్యూరాన్ల నుండి ఇన్పుట్లను స్వీకరించే అన్ని న్యూరాన్లు. ఆ దిగువ న్యూరాన్లు దేనిని er హించాలి వారు కేవలం వచ్చే చిక్కుల ఆధారంగా బాహ్య ప్రపంచం గురించి తెలుసుకోవాలి.

ఇక్కడ మనం ప్రామాణిక వర్గీకరణలను ఉపయోగించవచ్చు, అవి లేబుల్ చేయబడిన అవుట్‌పుట్‌లలోకి ఇన్‌పుట్లను మ్యాప్ చేస్తాయి. మేము X యొక్క అడ్డు వరుసలను ఇన్‌పుట్‌గా ఉపయోగించవచ్చు, ప్రతి జనాభా కార్యాచరణ యొక్క స్నాప్‌షాట్, మరియు S. యొక్క సంబంధిత వరుసలలో ఒకటి, కొన్ని లేదా అన్ని లక్షణాలను అంచనా వేయడానికి ప్రయత్నించవచ్చు. కొంత సమయం ఆలస్యం కావచ్చు, కాబట్టి మేము X_t అడ్డు వరుసను ఉపయోగిస్తాము మెదడుకు ఇన్పుట్ అయిన జనాభా కోడ్ స్టేట్స్ ఎలా ఉంటుందనే దానిపై మాకు ఆసక్తి ఉంటే, గతంలో n దశలుగా ఉన్న S_t-n స్థితిని అంచనా వేయండి; లేదా ప్రపంచం యొక్క మెదడు యొక్క కొంత ప్రభావానికి జనాభా కోడ్ ఎలా ఉంటుందనే దానిపై మాకు ఆసక్తి ఉంటే భవిష్యత్తులో n దశలు అయిన S_t + n స్థితిని అంచనా వేయడానికి మేము X_t అడ్డు వరుసను ఉపయోగించవచ్చు. నేను ప్రస్తుతం ప్రతి అక్షరాన్ని టైప్ చేసే ముందు జరుగుతున్న మోటారు కార్టెక్స్‌లోని కార్యాచరణ వలె.

ఎలాగైనా, మేము X యొక్క కొన్ని వరుసలను తీసుకుంటాము, మరియు X యొక్క వరుస భాగాలకు X యొక్క ఉత్తమమైన మ్యాపింగ్‌ను కనుగొనడానికి వర్గీకరణకు శిక్షణ ఇస్తాము. అప్పుడు మేము వర్గీకరణను ఎంతవరకు పరీక్షించగలమో దానిపై పరీక్షిస్తాము మిగిలిన X నుండి మిగిలిన S ను అంచనా వేయండి. మీరు అసాధారణంగా అదృష్టవంతులైతే, మీ X మరియు S చాలా పొడవుగా ఉండవచ్చు, మీరు వాటిని రైలు, పరీక్ష మరియు ధృవీకరించే సెట్లుగా విభజించగలుగుతారు. చివరిదాన్ని లాక్ చేసిన పెట్టెలో ఉంచండి.

మనకు నచ్చిన విధంగా శక్తివంతమైన వర్గీకరణను ఉపయోగించుకోవచ్చు. లాజిస్టిక్ రిగ్రెషన్ నుండి, బయేసియన్ విధానాల ద్వారా, 23 లేయర్ న్యూరల్ నెట్‌వర్క్‌ను ఉపయోగించడం వరకు. ఇది సమాధానం నుండి మీరు ఏమి కోరుకుంటుందో దానిపై ఆధారపడి ఉంటుంది మరియు మీకు సౌకర్యంగా ఉన్న వ్యాఖ్యానం మరియు శక్తి మధ్య వర్తకం. మరెక్కడా నా రచనలు ఈ ట్రేడ్-ఆఫ్‌లో నేను ఏ వైపు మొగ్గు చూపుతున్నానో స్పష్టంగా చెప్పాను. కానీ నేను తప్పుగా నిరూపించబడినందుకు సంతోషంగా ఉన్నాను.

న్యూరాన్ల యొక్క ఎన్కోడింగ్ నమూనాలు తెలివైనవి, కానీ కొన్ని పాత మరియు లోతైన తాత్విక వివాదాలను తాకండి. వివక్షత లేని నమూనాను ఉపయోగించి ఎన్‌కోడింగ్‌ను పరీక్షించడం దిగువ ఏదో నాడీ కార్యకలాపాల నుండి S ని డీకోడ్ చేయడానికి ప్రయత్నిస్తుందని umes హిస్తుంది. ఇందులో రెండు సమస్యలు ఉన్నాయి. న్యూరాన్లు డీకోడ్ చేయవు; న్యూరాన్లు స్పైక్‌లను ఇన్‌పుట్‌గా తీసుకుంటాయి మరియు వాటి స్వంత వచ్చే చిక్కులను అవుట్‌పుట్ చేస్తాయి. బదులుగా, అవి ఒక స్పైక్‌ల నుండి మరొక స్పైక్‌ల వరకు తిరిగి కోడ్ చేస్తాయి: బహుశా తక్కువ లేదా నెమ్మదిగా; బహుశా ఎక్కువ, లేదా వేగంగా; బహుశా స్థిరమైన ప్రవాహం నుండి డోలనం లోకి. కాబట్టి వివక్షత లేని నమూనాలు మన న్యూరాన్లు తిరిగి కోడింగ్ చేసే సమాచారాన్ని మరింత ఖచ్చితంగా అడుగుతున్నాయి. మేము ఈ అభిప్రాయాన్ని తీసుకున్నప్పటికీ, లోతైన సమస్య ఉంది.

చాలా తక్కువ మినహాయింపులతో, “దిగువ” న్యూరాన్ వంటివి ఏవీ లేవు. మేము X లో రికార్డ్ చేసిన న్యూరాన్లు చిక్కని వైర్డు మెదడులో భాగం, అంతులేని ఉచ్చులతో నిండి ఉన్నాయి; వారి అవుట్పుట్ వారి స్వంత ఇన్పుట్ను ప్రభావితం చేస్తుంది. అధ్వాన్నంగా, X లోని కొన్ని న్యూరాన్లు ఇతరుల నుండి దిగువకు ఉన్నాయి: వాటిలో కొన్ని నేరుగా ఇతరులకు ఇన్పుట్ చేస్తాయి. ఎందుకంటే, పైన చెప్పినట్లుగా, న్యూరాన్లు ఒకదానికొకటి ప్రభావితం చేస్తాయి.

న్యూరల్ డేటా సైన్స్ కోసం కఠినమైన, బహుశా ఉపయోగకరమైన, మ్యానిఫెస్టో. ఇది అసంపూర్ణంగా ఉంది; పైన ఏదో తప్పు జరిగిందనడంలో సందేహం లేదు (సాధారణ చిరునామాకు పోస్ట్‌కార్డ్‌లో సమాధానాలు). పైన పేర్కొన్నది చాలా భిన్నమైన ఆసక్తులతో ల్యాబ్‌ల సమూహం యొక్క పనిని సంశ్లేషణ చేసే ప్రయత్నం, కానీ మెదళ్ళు ఎలా పనిచేస్తాయనే దానిపై లోతైన ప్రశ్నలకు సమాధానం ఇవ్వడానికి పెద్ద రకమైన న్యూరల్ డేటాపై ఈ రకమైన మోడల్‌ను ఉపయోగించడం ఒక సాధారణ డ్రైవ్. వీటిలో చాలా డేటా ల్యాబ్‌లు, వారి స్వంత ప్రశ్నలకు సమాధానం ఇవ్వడానికి ప్రయోగాత్మక డేటాను విశ్లేషించే జట్లు; కొన్ని పేరు పెట్టడానికి - జోనాథన్ పిల్లో; క్రిస్టియన్ మాచెన్స్; కొన్రాడ్ కార్డింగ్; కనక రాజన్; జాన్ కన్నిన్గ్హమ్; అడ్రియన్ ఫెయిర్‌హాల్; ఫిలిప్ బెరెన్స్; సియాన్ ఓ డోనెల్; ఇల్ మెమ్మింగ్ పార్క్; జాకోబ్ మాకే; గ్యాస్పర్ తకాసిక్; ఆలివర్ మర్రే. ఉమ్, నాకు. ఇతరులు బలమైన డేటా సైన్స్ ప్రవృత్తులు కలిగిన ప్రయోగాత్మక ప్రయోగశాలలు: అన్నే చర్చిలాండ్; మార్క్ చర్చిలాండ్; నికోల్ రస్ట్; కృష్ణ షెనాయ్; కార్లోస్ బ్రాడీ; చాలా మంది పేరు పెట్టనందుకు నేను క్షమాపణలు కోరుతున్నాను.

ఈ రకమైన పనిని స్వాగతించే సమావేశాలు ఉన్నాయి, కాదు ప్రోత్సహించబడ్డాయి. న్యూరల్ డేటా సైన్స్ కోసం ఒక పత్రిక దాని మార్గంలో ఉంది. ఏదో నిర్మిస్తోంది. లోపలికి రండి, డేటా మనోహరమైనది *.

* అవును, ఆ చెత్త జోక్ పని చేయడానికి నేను డేటాను ఏకవచనంగా సూచించాల్సి వచ్చింది. దీనిని వివరించడానికి నేను ఈ ఫుట్‌నోట్ వ్రాస్తున్నాను, శాస్త్రవేత్తలు ఆశించే వివరాల పట్ల మీకు ఉన్న శ్రద్ధ గురించి మీకు కొంత ఆలోచన వస్తుంది.

మరిన్ని కావాలి? స్పైక్ వద్ద మమ్మల్ని అనుసరించండి

ట్విట్టర్: dmarkdhumphries