Oops! It appears that you have disabled your Javascript. In order for you to see this page as it is meant to appear, we ask that you please re-enable your Javascript!
スポンサーリンク

「深層学習(ディープラーニング)」など機械学習の応用にも役立つ「計算論的神経科学」をサクッと学びたいあなた、こちらはいかがでしょうか【ニューロダイナミクス】

スポンサーリンク
neurodynamics recommended book おすすめ
neurodynamics recommended book
スポンサーリンク
スポンサーリンク

近年の脳科学は著しく進歩しています。

ブレインーコンピューターインターフェース(Brain-computer-interface)は、脳波の情報を抽出して役立てたり、脳に情報を与えたりすることができる機器の総称として使われます。

これらのシステムは、ロボティクス・認知科学・知能システム科学・生物科学などの分野で発展していくと考えられます。

これらは「計算論的神経科学」を基礎としています。

最近盛り上がっている「深層学習ディープラーニング)」も、この分野の概念で理解できる側面をもっています。

計算論的神経科学を学ぶ際には、「ニューロダイナミクス」を理解するのは重要です。

ニューロダイナミクスは、神経ネットワークについて、ネットワークの動的な性質という観点からとらえる1分野です。

ニューロン素子とコンピュータの論理素子の関連性を指摘したMcCullochとPittsの論文やHebbのニューロン学習モデルなどに端を発しています。

その後のRosenblattのパーセプトロンから、今日応用されている(多層)ニューラルネットワークと研究が進んでいます。そして信号処理パターン認識制御ロボティクスなど、様々な分野で応用されています。

ニューロンの活動は「非線形ダイナミクス」で理解される

一方、ニューロン活動の電位変化は非線形ダイナミクスの分岐現象の1つとして理解されており、Hodgkin-Huxley方程式によって記述されています。

わたしたちが外界から得る視覚・聴覚・触覚などの情報は、大脳皮質の特定の領域にマップされていて、それをニューラルマップと呼んでいます。

ニューラルマップをヒントを得て自己組織化マップなどの手法が開発されて、様々な分野に応用されています。

静的な性質を表現する自己組織化マップを超えて、多重フィードバックループなどの性質を記述するには、リカレントネットワークが使われています。

これらのニューロダイナミクスモデルの概要を理解することで、現在盛んに研究・ビジネス応用がなされている深層学習(ディープラーニング)の改良などのヒントが得られるのではないでしょうか。

ニューロダイナミクスを「深層学習(ディープラーニング)」に活かす

ニューロダイナミクスに関連する概念は、現在盛り上がっている深層学習(ディープラーニング)の活用にも活かせる知見となっています。

深層学習の専門書は多数ありますが、それらには含まれていない別の側面からの深層学習の学び方になるように思います。

たとえば、多くの深層学習ではパーセプトロンからニューラルネット、多層ニューラルネットという流れが多いかと思います。

ニューロダイナミクスでは、それらに加えて、ダイナミクスの記述方法や、実際の神経回路モデルへの適用といったニューラルネットの脳科学からの一面を学ぶことができます。

第1章の序論では、ニューロダイナミクスがどんな問題に役立つのかサクッと記述がされています。

 

第2章ではダイナミカルモデルについての説明が線形システム非線形システムについてそれぞれ説明されています。安定性リアプノフ関数入出力応答などの概念も解説されています。

 

第3章では学習アルゴリズムが説明れていて、学習方式誤差修正法ヘブ学習強化学習といった方法を順を追って学べます。学習で必須となる最適化法として、最急降下法ニュートン法準ニュートン法共役勾配法についての解説もございます。

 

第4章でフィードフォーワードネットワーク、第5章で自己組織化マップ、第6章ではリカレントネットワークの説明があります。

 

その後、第7章ではネットワークダイナミクスについて、分岐ダイナミクスとニューラルモデルとの関係、分岐ニューラルネットワークモデルの解説があり、動的連想記憶モデルの紹介がされています。

 

第8章では、ニューラルオシレータとして、Wilson-Cowanモデル緩和振動子モデル位相振動子モデルの説明があり、ニューラルオシレータの構成についての解説があります。歩行パターン生成や適応についての説明があります。

 

付録ではジョルダン標準形式と二次形式についてサクッと解説されています。

本書の構成は以下の通りです。

第1章 序論

第2章 ダイナミカルシステム

第3章 学習アルゴリズム

第4章 フィードフォーワード・ニューラルネットワーク

第5章 自己組織化マップ

第6章 リカレントネットワーク

第7章 ネットワークダイナミクス

第8章 ニューラルオシレータ

付録 ジョルダン標準形式と二次形式

参考文献

索引

となっています。

本書は、認知科学やロボティクス、生命科学など関係する大学院レベルの教科書ということです。図やグラフなどが多く使われていて、数式の導出もきちんとあり、具体的にわかりやすく説明されています。

大学の基礎的な数学がわかる社会人の方など、幅広い方に学びやすい良書となっています。

また、人工知能・機械学習分野で盛り上がっているニューラルネットワークについての理解を深めれるだけでなく、新しいアイデアを得ることのできる1冊ではないでしょうか。

特に数学や機械学習側から学んでこられた方が、脳科学からの知見を得て応用していくための基礎とすることも可能かと思います。一度手に取ってみていただきたいおすすめの本です↓

タイトルとURLをコピーしました