01 / 导读
导读
引用
Dayan, P., & Abbott, L. F. (2005). Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. The MIT Press.
章节概要
全书分三部分，共十章，后附数学附录和参考文献。作者本人的说明是：理论神经科学为描述神经系统做什么、确定它们如何工作、揭示其运行的一般原理提供定量基础，应用涉及视觉、感觉运动整合、发育、学习和记忆。下面的章名依据作者主页上的目录。
第一部分：神经编码与解码（第1–4章）
第一部分讨论感觉刺激与神经反应之间的关系，重点是神经元的发放活动如何表示信息。四章分别是“神经编码I：发放率与脉冲统计”“神经编码II：反向相关与视觉感受野”“神经解码”和“信息论”。前两章用统计方法描述神经反应并把它们与刺激联系起来，第三章问的是能从反应中读出什么，第四章则为这两个问题提供信息论框架。
第二部分：神经元与神经回路（第5–7章）
第二部分以细胞和突触的生物物理学为基础为神经元和回路建模。第5章“模型神经元I：神经电子学”和第6章“模型神经元II：电导与形态”逐步建立单个神经元模型。第7章“网络模型”转向回路，也是作者公开提供的样章。它包含发放率模型、前馈网络、递归网络、兴奋-抑制网络和随机网络几节，涉及视觉引导伸手所需的坐标变换、作为初级视皮层简单细胞与复杂细胞模型的选择性放大、作为短时记忆的积分、增益调制、联想记忆、含振荡的嗅球模型以及玻尔兹曼机。本章最后有小结、附录和带注释的参考书目。
第三部分：适应与学习（第8–10章）
第三部分用三章分析可塑性在发育和学习中的作用：“可塑性与学习”“经典条件反射与强化学习”和“表征学习”。作者的目录页没有对它们做进一步说明。
数学附录与参考文献
数学附录汇集全书用到的方法；例如第7章在处理突触输入的滤波时就引用了它。完整的参考文献列表也可在作者的网站上获得。
核心概念
第一部分：编码与解码
- 发放率与脉冲统计：把神经元的输出描述为一个速率，并描述为一个随机过程。
- 反向相关与感受野：估计是哪种刺激特征在驱动神经元。
- 神经解码：由反应估计刺激。
- 信息论：量化反应传达了关于刺激的多少信息。
第二部分：神经元与网络
- 神经电子学与电导：把神经元的膜建模为电路。
- 形态：神经元的形状对其反应的影响。
- 发放率网络模型：用发放率和权重矩阵描述的前馈与递归网络。
- 兴奋-抑制动力学：耦合群体中的振荡与稳定性，用线性稳定性分析处理。
- 随机网络：概率性的网络模型，如玻尔兹曼机。
第三部分：可塑性与学习
- 突触可塑性：依赖活动的突触强度变化，是学习的基础。
- 强化学习：从奖励中学习，以经典条件反射为例。
- 表征学习：网络如何学到对其输入统计特性的内部表征。
评析
优点
- 组织清晰。 三个部分遵循同一条主线：从神经元表示什么，到神经元和回路如何产生活动，再到回路如何随经验而改变。
- 解析与模拟并用。 样章显示作者把解析工具（权重矩阵、特征向量、稳定性分析、李雅普诺夫函数）与模拟并行使用，每个模型都附有视皮层、嗅球等生物学实例。
- 章节配套材料。 第7章末尾有小结、推导附录和带注释的参考书目。作者网站还提供附带代码和数据的习题、教学用图，以及各次印刷的勘误表。
- 作者自己的资源。 免费的教学材料使本书既可自学，也便于设计课程。
局限
- 数学要求高。 样章用到矩阵与特征向量、微分方程、稳定性分析以及Cramér–Rao界这样的统计概念，读者在开始之前需要熟悉这些内容。
- 范围偏旧。 本书写于2000年代初（作者的勘误页记录截至2003年2月已有两次印刷），因此没有涵盖此后该领域的发展。
- 默认读者已有生物学基础。 全书围绕数学组织。刚接触神经科学的读者需要另备一本神经科学教材来补充实验背景。
在课程中的定位
本书是神经科学阅读清单中偏定量和理论的一本。Henley的《Foundations of Neuroscience》是面向刚入门本科生的免费入门教材，Bear、Connors和Paradiso的《Neuroscience: Exploring the Brain》是讲行为生物学基础的入门教科书。Purves等人的《Neuroscience》是一本从单个神经元到认知的综合性教科书，Martin等人的《From Neuron to Brain》是以实验为基础的老牌细胞与系统神经科学教材。Luo的《Principles of Neurobiology》则追溯每条原理背后的实验。
Dayan和Abbott与这些书互补：它们把教科书中用文字描述的生物物理学和编码思想，用模型表达出来。学完其中一本神经科学教材并具备数学基础的学生，可以接着读这本书。
如何使用本书
本书面向希望为大脑建模的神经科学、物理学、工程学、数学和计算机科学领域的研究生与高年级本科生。需要微积分、线性代数、微分方程和概率论的基础，会一点编程对做习题也有帮助。
实用的读法：
- 核心： 第1–3章和第5–7章是主干：编码、解码、单神经元模型和网络。
- 按兴趣选读： 第4章讲信息论，第8–10章讲学习与可塑性。
- 做习题。 使用作者提供的习题以及配套的代码和数据。想在购买前判断难度，可以先试读第7章：该章在作者网站上免费提供。
- 查阅勘误。 对照自己手上那次印刷的勘误。