NetPyNE
#NetPyNE (Networks using #Python and #NEURON) is a Python package to facilitate the development, simulation, parallelization, analysis, and optimization of biological neuronal networks using the NEURON simulator.

Although NEURON already enables multiscale simulations ranging from the molecular to the network level, using NEURON for network simulations requires substantial programming, and often requires parallel simulations. NetPyNE greatly facilitates the development and parallel simulation of biological neuronal networks in NEURON for students and experimentalists. NetPyNE is also intended for experienced modelers, providing powerful features to incorporate complex anatomical and physiological data into models.
#simulator

A basic intro to stats for neuroscientists and all course materials are open here
Jupyter notebook slides & RISE with code to play around with to build an intuition for stats...

#neuroscience
#course

Programming for Computations – Python
Hans Petter Langtangen
A Gentle Introduction to Numerical
Simulations with Python

Open access book
#book
#python
#basic

We have this awesome function called sublots_mosaic where you can pass us a layout id'ed on name
axd = plt.subplot_mosaic(
"""
ABD
CCD
""")

Link

#matplotlib
#python

Computational Statistics in Python

This is great.👌

NMA-Computational Neuroscience: July 5-23, 2021
Content: https://github.com/NeuromatchAcademy/course-content
• NMA-Deep Learning: Aug 2-20, 2021
Content: https://github.com/NeuromatchAcademy/course-content-dl

Applications for interactive students and teaching assistants (paid positions) are due May 7th 2021. Application Portal: https://portal.neuromatchacademy.org/

#Neuromatch

Machine learning in Python with scikit-learn

Ref. 41026
Duration: 8 weeks
Effort: 35 hours
Pace: ~4h15/week

Build predictive models with scikit-learn and gain a practical understanding of the strengths and limitations of machine learning!

#ML
#scikit_learn
#course

Visualizing the similarity of two networks


For issue of blank cell on chrome:
install chrome extension

It took Huxley 3 weeks to do the calculations of Hodgkin-Huxley 1952 paper.

The caption is slightly wrong. Still an incredible feat!

See Eg here.

آشنایی من با لیندا بر می‌گردد به هفت هشت سال قبل، راستش اولین آموخته‌ی من از دیدن فیلم‌های لیندا این بود که ببینم و بفهمم چگونه باید فیلم آموزشی ساخت!

اون موقع تازه SLR گرفته بودم، چهار پنج نفری می‌رفتیم خونه‌ی دادبه، یک یا دو اپیزود لیندا می‌دیدیم و می‌زدیم تو سر خودمون و دوربین‌هامون، و یاد می‌گرفتیم و در طول هفته به کار می‌بستیم و تجربه می‌اندوختیم. چه روزهایی بود...

همان موقع سادگی و ارزشمندی توامان آموزش‌های لیندا و میزان رشد هر هفته‌مان مرا مسحور کرده بود. فیلم‌های لیندا چند خصوصیت مهم و شاید منحصر به فرد دارند:

- بسیار تر و تمیز و شسته رفته و بی حاشیه و گزافه هستند.
- اساتید هم در مطلب و محتوا، و هم در عرضه و ارائه حقیقتا چیره دست‌اند.
- تکلیف مخاطب همان ابتدا در مورد اینکه با چه دوره‌ای روبرو است، چه پیش‌نیازی دارد، و سرآخر به کجا می‌رود، روشن می‌شود.
- تمام آموزش‌ها پروژه‌محور هستند و فایل‌های نمونه در دسترس مخاطب قرار می‌گیرند. و از آموزش‌های خشک و گنگ خبری نیست.
- تقسیم و چینه‌بندی درس‌ها کاملا حساب‌شده و در نهایت حرفه‌ای‌گری است.
- زمان هر بخش آموزشی کوتاه است و مخاطب مرحله مرحله جلو می‌رود.
- در هر آموزش اشتباهات و ابهامات رایج مطرح می‌شوند و پاسخ داده می‌شوند.
- برای هر آموزش چند سری دوره در سطوح مختلف تدارک دیده شده، و مخاطب می‌تواند از ابتدایی‌ترین سطوح آغاز کند و با توجه به نیازش تا پیشرفته‌ترین‌ها ادامه دهد.

دسترسی به همه فیلم‌های لیندا از ایران طبعا راحت نیست، چون فارغ از بحث تحریم و فیلتر پرداخت دلاری تقریبا امکان‌پزیر نیست. با گوگل‌کردن لیندا، سایت‌هایی را در داخل خواهید یافت، که فیلم‌ها را می‌فروشند! یک کارهایی هم مثلا در تهیه زیرنویس فارسی کرده‌اند.

بسیاری از دوره‌ها بخصوص عمومی‌ترها را اما می‌توانید رایگان دانلود کنید. مجموعه‌هایی که من در GIT دات آی‌آر، p30download دات آی‌آر و Yasdl دات‌کام دیدم کامل و منظم و شسته‌رفته بودند.

درک مطلب از زبان انگلیسی پیش‌نیاز استفاده از دوره‌ها است، اگر نه قطعا به زیرنویس فارسی احتیاج پیدا خواهید کرد.

@Aghmoallem

Mathematics for Machine Learning
Companion webpage to the book

https://mml-book.github.io/

pdf book

#ML

Find interesting courses in data science in this thread.

Link to twitt