1、数据驱动的计算神经科学：统计与机器学习方法解析

数据驱动的计算神经科学：统计与机器学习方法解析

1. 背景与意义

神经科学正处于一个高速发展的历史时期，众多研究团队收集到了大量、高维、多模态的实验数据。计算神经科学已成为现实，但该领域需要基于数据的新突破，即数据驱动的计算神经科学。这种方法能够帮助我们充分利用这些数据，深入理解大脑，这也是 21 世纪科学面临的重大挑战之一。

全球范围内有许多大脑研究计划，如人类大脑计划、通过推进创新神经技术的大脑研究计划、中国脑计划等，这些计划可被视为神经科学领域的“人类基因组计划”。神经科学的革命必须与统计学和机器学习相结合，形成数据驱动的计算神经科学联盟。然而，目前顶尖神经科学家通常使用非常基础的分析工具，并且不愿意共享数据。数据驱动的模型将引发神经科学领域的文化变革，促使神经科学家更熟练地使用现代分析工具，并更开放地进行数据共享。

2. 方法与内容概述

2.1 统计与机器学习方法

涵盖了监督和无监督分类（包括概率和非概率模型）、使用概率图模型进行关联发现以及使用点过程进行空间统计等方法。同时，还包含了必要的统计学基础知识。

2.2 书籍结构

书籍分为六个部分：
- 第一部分：引言 ：介绍计算神经科学，包括大脑的多层次组织、主要的大脑研究计划、最新的数据记录神经技术，以及数据驱动的计算神经科学的统计和机器学习方法。详细描述了七个用作案例研究的数据集。
- 第二部分：统计学 ：全面回顾统计学知识，并结合神经科学的实例。包括探索性数据分析、概率论、随机变量分布、模拟和信息论，以及概率推理（包括参数估计和假设检