convert data into answers
Alternative name: readout MVPA
predict stimulus/behavior from neural activity
Classifier:
this a analog to the real brain
What they want to do?
Learn some algorithm from our brain and translate them into computer code
Some feature of brain-based computations
How to study brain at different scales
Bottom-Up method, first study single neurons. Some model
Circuits
what’s in this course
control theory
mathematical play a important role
robot models
mobility controllers
How to do, not why to do (Not a AI course)
great! I have learned planning in the school so I can focus on the control theory that boost the overall performance
system: something that changes over time
control: influence that change
Building blocks
定义：Event-related potentials (ERPs) 事件相关电位，是由特定刺激而导致的脑中的电位。宏观反映了大量定向相同的神经元（百万级别）在处理信息时同步放电产生的突触电位的总和。
前因：ERP可以由多种事件诱发：感官上的，认知的，运动事件
后果：在人类大脑中，ERP主要可以分为两类
表现形式：和latency相关的amplitude，eeg信号
通过EEG记录了多次大脑对单一刺激的响应。但是由于EEG记录过程中，有随机的脑活动和其他生物信号以及电磁干扰（比如电路噪声、荧光灯）等会对记录的ERP信号造成噪声干扰。将多次响应平均在一起，可以达到去噪的效果，求出平均的大脑响应
ERP的计算有两个假设
在数字信号处理中，我们经常会对一段信号进行加窗的处理，为什么要这样做呢？这里采用自上而下的方式来考虑
当我们要考量信号的频域特征时，我们就要做傅里叶变换。
FFT的对象只能是两种
在实际中，FFT的对象肯定是有限长度的时域信号，所以会对信号进行截断。如果截断的长度不是周期的整数倍就会存在泄露，如下所示
语音是一种常见的信息交流方式，但是语音是非常多变的（相比于文本），语音包含了语言、方言、音调等信息，在提供了更多信息的同时也给分析加大了难度。如何正确分析语音是一项困难的工作。
如下图所示，语音可以表示为振幅随时间的变化
再扩大一点，语音也可以看成是一系列基本发音单位（Phoneme）的集合
如果放大语音信号，我们可以看出来语音是由不同的音素组成的。不同的音素来源也是不同的。比如说w、l是由声带的周期性振动产生的，所以被归类为浊音素。清类（unvoiced）和浊类（voiced）是基于声带振动对语音进行的广义分类。
通过短时傅里叶变换（STFT），我们可以计算语音的时频图，本质就是将一段语音分成很多小的帧（frame），然后对这一小段帧进行傅里叶变换。
那为什么要这样将语音分成比较小的帧呢？因为语音的时间特性变化非常快，是一种非平稳（简单来说就是无法预测）的信号，不能对此进行傅里叶变换。而在小的帧中，我们假设语音信号是平稳的，并且在帧内不会有太大变化
Action potenitals: spiking or firing
Recordings
invasive(most accurate): it could be single unit or multi-unit
ECoG: very rare
Why it works: nice properties that neurons in the same orientation
有多种实现智能的方式: computation, circuits
any device that perceives its environment and takes actions that maximize its chance of successfully achieving its goals.
AI is whatever hasn’t been done yet
These sub-fields are based on technical considerations, such as particular goals (e.g. “robotics“ or “machine learning“),[15] the use of particular tools (“logic“ or artificial neural networks), or deep philosophical differences.[16][17][18] Subfields have also been based on social factors (particular institutions or the work of particular researchers).[14]
大脑是如何工作的? 可能
我们为什么要关注大脑的这些功能组件呢? 因为这是关于大脑和智能的基本问题, 这是一种处理复杂问题的途径(bottom-up), 了解不同组件可以帮助我们理解\实现其数学模型
一个人如果能够更好地比较两个声音的大小, 那么他也能在数学考试中取得更好的成绩(强相关), 这是IQ测试的基本原理(各种智能是相互关联的)
课程目的: 教育学生在人工智能领域养成跨学科思维, 体现在计算机科学\计算神经科学\认知科学
因为这也是一个跨学科的问题, 所以在学习与思考时一定不能忘了主题, 我们可以在脑海中记住几个问题
关于MIT实验室的: Why? 虽然通过机器学习和深度学习, 技术方面的发展有了长足的进步, 但是我们离真正理解人类的智能还很远. 智能Intelligence的定义还是非常不完善的. Mission: 在不同层面: 计算层面\心理层面\神经层面理解智能
上一章主要讲的是建图, 定位,利用贝叶斯理论. 介绍了基本的概率论, 状态估计, 如何根据观察和原有的状态来更新状态.
这一章, 注重于介绍搜索策略, 就是已经有了建图和定位之后怎么找到一条适合的路线
介绍了基本的概率论
当我们有许多概率分布时, 我们依然使用PCAP的方法来控制复杂性
通过贝叶斯理论来更新状态机, 这在机器人学中花了很多时间来学习