Level 3

腦神經網路的結構極其複雜。在計算神經科學上我們對網路結構的研究可粗分為前饋式 (feedfroward) 與回饋 (recurrent) 兩大類。而真實腦神經網路結構大多屬於後者。更進一步的，腦神經網路具有 "小世界" 的特性。這是什麼意思呢? 趕快看看這段影片吧。

在這段影片中我們先討論最簡單的神經網路形式：前饋式網路。影片中也會帶大家看看前饋式網路的早期應用，以及他如何成為最早的人工智慧形式。 

什麼是回饋式網路，與上一輯講的回饋式網路有什麼不同? 回饋式網路如何被用來解釋我們時時刻刻都用到的腦功能 -- 工作記憶。 

什麼是回饋式網路，與上一輯講的回饋式網路有什麼不同? 回饋式網路如何被用來解釋我們時時刻刻都用到的腦功能 -- 工作記憶。 

動物導航的腦功能是近年神經科學領域的一個熱門題目。本輯將帶大家來看看回饋式網路怎麼被用來解釋動物大腦中如何對身處的空間作編碼。 

動物導航的腦功能是近年神經科學領域的一個熱門題目。本輯將帶大家來看看回饋式網路怎麼被用來解釋動物大腦中如何對身處的空間作編碼。

要了解神經網路，突觸是一個不可忽略的細節。本段影片介紹給大家突觸的簡單數學模型。生物神經網路的突觸模型要比人工神經網路中的連結模型複雜得多，也是大腦計算的精隨所在。 

精確的神經網路模型必須建構在精確的突觸模型上，要建構精確的突觸模型，一定要對突觸的生理現象有一定程度的了解。這段影片將介紹突觸的重要結構與訊息傳遞機制，並介紹如何從這些原理推導出經典的突觸模型。 

計算神經科學裡面的神經元模型種類眾多。但最簡單卻仍然包含了基本的神經細胞生理現象的模型非經典的LIF莫屬。本影片將從幾個神經細胞的基礎生理現象開始，推導出LIF模型的數學式。

了解了LIF神經元模型後，還需要這些神經元模型間如何傳遞訊息才能進一步理解神經網路的運作。結合前面L3-2的影片的內容，我們這邊將介紹突觸的模型如何讓LIF神經元之間傳遞訊息與互相影響。 

說到神經元模型，沒有誰比Hodgikin-Huxley模型更具代表性了。前面介紹的LIF模型雖然簡單且被大量應用，但要了解詳細的作用電位機制，則非Hodgikin-Huxley模型莫屬。 

神經元模型種類繁多，不過許多經典的模型都是從Hodgkin-Huxley模型簡化出來的。這些簡化的模型可以讓我們更清楚展現出想要模擬的神經生理現象以及其背後的數學型式。這裡我們就來看幾個有名的神經元模型。

學習與記憶是神經系統最重要的特性之一。在本段影片我們將來看看什麼是學習，他如何由突觸可塑性來達成，而又有什麼經典的理論與模型來描述突觸可塑性。 

學習與記憶是神經系統最重要的特性之一。在本段影片我們將來看看什麼是學習，他如何由突觸可塑性來達成，而又有什麼經典的理論與模型來描述突觸可塑性。

學習的形式有很多種，本段影片將帶我們了解在神經科學上最重要與最基本的一種學習 -- "經典制約"。除了了解什麼是經典制約以外，我們也要看看要用什麼樣的模型來描述經典制約的行為。 

我們在生活上許多學習是透過嘗試錯誤的方式來達成。這種方式與神經科學上的操作制約有關，甚至目前機器學習領域的強化學習也是從這個概念發展出來。本影片將跟大家介紹操作制約以及兩種基本的數學模型。