01 / 導讀
導讀
引用
Dayan, P., & Abbott, L. F. (2005). Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. The MIT Press.
章節概要
全書分三部分，共十章，後附數學附錄和參考文獻。作者本人的說明是：理論神經科學為描述神經系統做什麼、確定它們如何工作、揭示其執行的一般原理提供定量基礎，應用涉及視覺、感覺運動整合、發育、學習和記憶。下面的章名依據作者主頁上的目錄。
第一部分：神經編碼與解碼（第1–4章）
第一部分討論感覺刺激與神經反應之間的關係，重點是神經元的發放活動如何表示資訊。四章分別是「神經編碼I：發放率與脈衝統計」「神經編碼II：反向相關與視覺感受野」「神經解碼」和「資訊理論」。前兩章用統計方法描述神經反應並把它們與刺激聯絡起來，第三章問的是能從反應中讀出什麼，第四章則為這兩個問題提供資訊理論框架。
第二部分：神經元與神經迴路（第5–7章）
第二部分以細胞和突觸的生物物理學為基礎為神經元和迴路建模。第5章「模型神經元I：神經電子學」和第6章「模型神經元II：電導與形態」逐步建立單個神經元模型。第7章「網路模型」轉向迴路，也是作者公開提供的樣章。它包含發放率模型、前饋網路、遞迴網路、興奮-抑制網路和隨機網路幾節，涉及視覺引導伸手所需的座標變換、作為初級視皮層簡單細胞與複雜細胞模型的選擇性放大、作為短時記憶的積分、增益調變、聯想記憶、含振盪的嗅球模型以及玻爾茲曼機。本章最後有小結、附錄和帶註釋的參考書目。
第三部分：適應與學習（第8–10章）
第三部分用三章分析可塑性在發育和學習中的作用：「可塑性與學習」「經典條件反射與強化學習」和「表徵學習」。作者的目錄頁沒有對它們做進一步說明。
數學附錄與參考文獻
數學附錄彙集全書用到的方法；例如第7章在處理突觸輸入的濾波時就引用了它。完整的參考文獻列表也可在作者的網站上獲得。
核心概念
第一部分：編碼與解碼
- 發放率與脈衝統計：把神經元的輸出描述為一個速率，並描述為一個隨機過程。
- 反向相關與感受野：估計是哪種刺激特徵在驅動神經元。
- 神經解碼：由反應估計刺激。
- 資訊理論：量化反應傳達了關於刺激的多少資訊。
第二部分：神經元與網路
- 神經電子學與電導：把神經元的膜建模為電路。
- 形態：神經元的形狀對其反應的影響。
- 發放率網路模型：用發放率和權重矩陣描述的前饋與遞迴網路。
- 興奮-抑制動力學：偶合族群中的振盪與穩定性，用線性穩定性分析處理。
- 隨機網路：機率性的網路模型，如玻爾茲曼機。
第三部分：可塑性與學習
- 突觸可塑性：依賴活動的突觸強度變化，是學習的基礎。
- 強化學習：從獎勵中學習，以經典條件反射為例。
- 表徵學習：網路如何學到對其輸入統計特性的內部表徵。
評析
優點
- 組織清晰。 三個部分遵循同一條主線：從神經元表示什麼，到神經元和迴路如何產生活動，再到迴路如何隨經驗而改變。
- 解析與模擬並用。 樣章顯示作者把解析工具（權重矩陣、特徵向量、穩定性分析、李雅普諾夫函式）與模擬並行使用，每個模型都附有視皮層、嗅球等生物學例項。
- 章節配套材料。 第7章末尾有小結、推導附錄和帶註釋的參考書目。作者網站還提供附帶程式碼和資料的習題、教學用圖，以及各次印刷的勘誤表。
- 作者自己的資源。 免費的教學材料使本書既可自學，也便於設計課程。
侷限
- 數學要求高。 樣章用到矩陣與特徵向量、微分方程、穩定性分析以及Cramér–Rao界這樣的統計概念，讀者在開始之前需要熟悉這些內容。
- 範圍偏舊。 本書寫於2000年代初（作者的勘誤頁記錄截至2003年2月已有兩次印刷），因此沒有涵蓋此後該領域的發展。
- 預期讀者已有生物學基礎。 全書圍繞數學組織。剛接觸神經科學的讀者需要另備一本神經科學教材來補充實驗背景。
在課程中的定位
本書是神經科學閱讀清單中偏定量和理論的一本。Henley的《Foundations of Neuroscience》是面向剛入門大學部學生的免費入門教材，Bear、Connors和Paradiso的《Neuroscience: Exploring the Brain》是講行為生物學基礎的入門教科書。Purves等人的《Neuroscience》是一本從單個神經元到認知的綜合性教科書，Martin等人的《From Neuron to Brain》是以實驗為基礎的老牌細胞與系統神經科學教材。Luo的《Principles of Neurobiology》則追溯每條原理背後的實驗。
Dayan和Abbott與這些書互補：它們把教科書中用文字描述的生物物理學和編碼思想，用模型表達出來。學完其中一本神經科學教材並具備數學基礎的學生，可以接著讀這本書。
如何使用本書
本書面向希望為大腦建模的神經科學、物理學、工程學、數學和電腦科學領域的研究生與大學高年級學生。需要微積分、線性代數、微分方程和機率論的基礎，會一點程式設計對做習題也有幫助。
實用的讀法：
- 核心： 第1–3章和第5–7章是主幹：編碼、解碼、單神經元模型和網路。
- 按興趣選讀： 第4章講資訊理論，第8–10章講學習與可塑性。
- 做習題。 使用作者提供的習題以及配套的程式碼和資料。想在購買前判斷難度，可以先試讀第7章：該章在作者網站上免費提供。
- 查閱勘誤。 對照自己手上那次印刷的勘誤。