Эта книга авторов Peter Dayan и LF Abbott представляет собой захватывающее исследование мозга и его компонентов. Чтобы понять это, необходимы основные дифференциальные уравнения, вероятность и статистика, а также линейная алгебра. Он был опубликован в 2001 году издательством MIT Press.

Книга состоит из трех частей:

  1. Нейронное кодирование и декодирование: изучение того, как стимулы преобразуются в нейронные реакции, в частности, потенциалы действия или «спайки». Главы включают «Нейронное кодирование I: частота срабатывания и статистика спайков», «Нейронное кодирование II: обратная корреляция и рецептивные поля», «Нейронное декодирование» и «Теория информации». Авторы чередуют описание нейронов и их физиологии/схем, предоставление аналогичных математических моделей и сравнение этих моделей с реальными нейронными данными. Глава, посвященная теории информации, особенно полезна для понимания того, как много в принципе можно закодировать с помощью нейронов.
  2. Нейроны и нейронные цепи. Однокомпартментные и многокомпартментные модели отдельных нейронов представлены с точки зрения теории электрических цепей и сравнены их свойства. Модели скорости срабатывания сетей нейронов представлены и проанализированы по отношению к реальным нейронным данным. Главы включают «Модельные нейроны I: нейроэлектроника», «Модельные нейроны II: проводимости и морфология» и «Сетевые модели».
  3. Адаптация и обучение. Для описания обучения в парах взаимосвязанных нейронов используются как простые, так и реалистичные понятия синаптической пластичности. Концепции статистического машинного обучения и обучения с подкреплением связаны с функциями обучения в нейронных цепях, а также с классическим и инструментальным обусловливанием животных. Главы включают «Пластичность и обучение», «Классическое обусловливание и обучение с подкреплением» и «Репрезентативное обучение». Выученные представления из алгоритмов машинного обучения сравниваются с рецептивными полями зрительной системы приматов.

Исходя из изучения машинного обучения (и немного нейробиологии по пути), эта книга была на правильном уровне сложности чтения, чтобы я мог многому научиться, читая относительно быстро. Действительно, в последних нескольких главах книги хорошо обсуждаются модели машинного обучения, с которыми я был в основном знаком, но которые связаны с концепциями нейронауки полезными способами, которых я раньше не видел.

В общем, книга читалась хорошо, рекомендую. С другой стороны, есть некоторые части книги, без которых я мог бы обойтись. Я не буду вдаваться здесь в подробности (для этого потребуется еще раз внимательно просмотреть книгу), но скажу, что некоторые разделы показались многословными и бесполезными. Некоторые сюжеты книги были простыми и поучительными; другие были чрезвычайно трудны для понимания.