树突 – 为什么生物神经元是深度神经网络
继续探索 http://brilliant.org/ArtemKirsanov/
如果您是前 200 名用户，则免费开始并享受年度订阅 20% 的折扣。

阿尔乔姆是我的名字。 我是计算神经科学的学生和研究员。 该视频将向我们展示为什么单个神经元的功能像深度卷积网络一样具有疯狂的信息处理能力，以及解释这种计算复杂性的生理机制。

Patreon：https://www.patreon.com/artemkirsanov。
推特：https://twitter.com/ArtemKRSV

大纲：
00:00 介绍。
01:42 — 感知器。
03:43 — 电兴奋性和动作电位
07:12 — 电缆理论：被动树突
09:03 — 活性树突特性。
12:10 — 人类神经元作为 XOR 门
19:11 — 单个神经元作为深度神经网络。
22:32——太棒了。
23:57 — 回顾和结尾

参考文献（排名不分先后）：
1. Bicknell, B. A., Bicknell, B. A. A. Neuron (2021) doi:10.1016/j.neuron.2021.09.044。
2. Matthew Larkum 树突在概念上有用吗？ 神经科学 (2022) doi:10.1016/j.neuroscience.2022.03.008。
3. Polsky A.、Mel B. W. 和 Schiller J. 锥体细胞细树突中的计算亚基。 自然神经科学 7621-627 (2004)。
4. Tran-Van-Minh, A. 等人。 Contribution of supralinear and sublinear dendritic Integration to Neuronal Computations Frontiers in Cellular Neuroscience, 9, 67-67 (2005)。
5. Gidon, A. 等人。 树突动作电位和人类第 2/3 层皮层神经元的计算。 科学 367，（2020），83-87。
6. London, M. & Hausser, M. 树突计算。 安奴。 神经科学牧师。 28503-532 (2005)。
7. Branco, T., Clark, B. A. & Hausser M. 皮质神经元时间输入序列的树突状辨别。 科学 329,1671-1675 (2010)。
8. Stuart, G. J. & Spruston N. 树突状整合：60 年的进步。 Nat Neurosci 18, 1713-1721 (2015)。
9. 史密斯，S.L.； 史密斯，I. T.； Branco, T. 和 Hausser M. Dendritic Spikes 增强体内皮质神经元的刺激选择性。 自然 503115-12 (2013)。
10. Beniaguev, D., Segev, I. & London, M. 作为深度人工神经网络的单个皮层神经元。 神经元 109，（2021 年）。
11. Michalikova M.、Remme M. W. H. Schmitz D. Schreiber S. 和 Kempter R. Spikelets：锥体神经元细胞的生成机制和区别特性。 神经科学评论 3101-119 (2019)。
12. Larkum, M. E.、Wu, J.、Duverdin, S. A. 和 Gidon, A. 体外和体内神经科学中哺乳动物皮层树突状辐条指南 489, 15-33 (2022)。

学分：
https://biorender.com 的图标。
大脑 3D 模型是使用 Blender 软件使用公开可用的 BrainGlobe 地图集 (https://brainglobe.info/atlas-api) 建模的

来源和详细信息：