机构名称：
¥ 1.0
一组破坏性的技术，例如计算智能，普遍计算或物联网，机器人技术和生物技术，都表征了IV工业革命。这些技术允许提高生产率和经济复杂性，使全球领先经济体高额价值商品和服务的生产现代化，同时也为在神经科学应用或计算神经科学等领域的新兴国家打开了重要的机会。进化计算和深度学习允许构建具有更大学习和概括能力的日益精确的专家系统。当应用于神经科学时，这些进步为理解神经系统的功能和神经疾病的功能提供了更多的可能性，以及构建越来越准确且能够处理复杂问题的学习机器的模型，例如计算机视觉和复杂的模式识别任务。计算智能的进步，尤其是新方法，算法和计算体系结构，允许实现复杂的任务，例如为神经系统疾病的定制诊断和治疗方法的构建，智能假体的结构，以及更精确的脑部 - 模-Chachine接口；通过对各种类型的信号和其他应用的自动分析来识别情绪和精神障碍的诊断。他们将学习过程分为两个部分。首先，该模型从本地接触模型中学习，以表示机器人推动器，对象和环境之间的几何关系。该研究主题由以下贡献组成：在“在新下文中学习可转移的推动操纵技巧”，霍华德和Zito建议学习一个参数内部模型，以推动相互作用，以使机器人能够预测新颖环境中物理互动的结果。之后，该模型学习了一组参数局部运动模型，以预测这些触点如何在整个推动过程中发生变化。作者使用模拟环境验证了他们的提议，该环境由带有保险杠的先锋3-DX机器人组成，以预测新颖背景下对象的推动结果。根据作者的说法，偏见和无偏的预测因子都可以可靠地产生预测，这与经过仔细的物理模拟器的后果一致。
社论：机器学习和应用神经科学
主要关键词
相关文件推荐
