yamtak- ダウンロード商品¥ 500
pdf版は無料公開しました (サイトトップページ下部から読めます)。 https://compneuro-julia.github.io/index.html 本書はSpiking Neural Networks(SNN) をPython で実装することを目標とする本です(ライブラリは基本的にNumPyとMatplotlibのみを用います). 単なる神経活動のシミュレーションにとどまらず, ネットワークの学習則まで実装することを目標とします. 書籍+pdf版：https://yamtak.booth.pm/items/1574964 【注意1】 技術書典7で頒布した第1版から改訂をしています。書籍版を購入してくださった方は、付属のダウンロードカードから最新版のpdfをダウンロードできるようにしております。ダウンロードできない場合はtwitterの@tak_yammまでご連絡ください。 【注意2】 このpdfは度々改訂をすることになると思います。お手数ですが、その都度ダウンロードしていただければと思います。 現在の版はver2.1です (2020年8月20日)。
サイズ ： A5 ページ数 ： 138ページ
【目次】 0.1 Python とライブラリのバージョン 0.2 GitHub でのコードの公開 0.3 本書を読む上での前提知識 第1章. ニューロンのモデル 1.1 Hodgkin-Huxley モデル 1.2 Leaky integrate-and-fire モデル 1.3 Izhikevich モデル 1.4 Inter-spike interval モデル 1.5 発火率モデル コラム：確率的シナプス電流のノイズによる表現 第2章. シナプスのモデル 2.1 Current-based vs Conductance-based シナプス 2.2 指数関数型シナプスモデル (Exponential synapse model) 2.3 動力学モデル (Kinetic model) 2.4 シナプス入力の重みづけ コラム：神経回路の汎用シミュレータ 第3章. ネットワークの構築 3.1 ニューロン間の接続 3.2 ランダムネットワーク 3.3 SNNを訓練する 第4章. 誤差逆伝搬法の近似による教師あり学習 4.1 SuperSpike法 4.2 RNNとしてのSNNのBPTTを用いた教師あり学習 第5章. STDP 則による教師なし学習 5.1 STDP (spike-timing-dependent plasticity) 則 5.2 STDP 則と2層WTA ネットワークによる教師なし学習 第6章. Reservoir Computing としてのRecurrent SNN の教師あり学習 6.1 Reservoir Computing 6.2 FORCE 法とRecurrent SNNへの適用 6.3 Recurrent SNNに正弦波を学習させる 6.4 RLS法の導出 参考文献
【GitHubにおけるサポートページ】 本書におけるコードは以下のサポートページからアクセスできます. https://github.com/takyamamoto/SNN-from-scratch-with-Python