Méthodes de modélisation computationnelle pour les neuroscientifiques

Ce livre propose une introduction aux méthodes actuelles de modélisation computationnelle en neurosciences. L'ouvrage décrit des méthodes de modélisation réalistes à des niveaux de complexité allant des interactions moléculaires aux grands réseaux neuronaux. Plutôt qu'un exposé analytique, il s'agit d'un livre pratique qui se concentre sur la présentation d'approches méthodologiques, y compris le choix de la méthode appropriée et ses pièges potentiels. Il est destiné aux neuroscientifiques expérimentaux et aux étudiants diplômés ayant peu de formation formelle en méthodes mathématiques, mais il sera également utile aux scientifiques ayant des antécédents théoriques qui souhaitent commencer à utiliser des méthodes de modélisation basées sur les données. Les mathématiques nécessaires sont maintenues à un niveau introductif ; le premier chapitre explique les méthodes mathématiques que le lecteur doit maîtriser pour comprendre le reste du livre. Les chapitres sont rédigés par des scientifiques qui ont intégré avec succès la modélisation basée sur les données au travail expérimental, de sorte que tout le matériel est accessible aux expérimentateurs. Les chapitres offrent une couverture complète avec peu de chevauchement et de nombreuses références croisées, passant des éléments constitutifs de base aux applications plus complexes.

Contributeurs
Pablo Achard, Haroon Anwar, Upinder S. Bhalla, Michiel Berends, Nicolas Brunel, Ronald L. Calabrese, Brenda Claiborne, Hugo Cornelis, Erik De Schutter, Alain Destexhe, Bard Ermentrout, Kristen Harris, Sean Hill, John R. Huguenard, William R. Holmes, Gwen Jacobs, Gwendal LeMasson, Henry Markram, Reinoud Maex, Astrid A. Prinz, Imad Riachi, John Rinzel, Arnd Roth, Felix Schürmann, Werner Van Geit, Mark C. W. van Rossum, Stefan Wils