Feed on
Posts
Comments

Conclusion

Enfin, comprendre, modéliser, ou reproduire la grande capacité d’apprentissage du cerveau demandera bien plus que le seul savoir des neurosciences, des sciences cognitives ou de l’intelligence artificielle. Il faudra intégrer les outils et les indices apportés par toutes ces disciplines pour élucider ce mystère. Dans cet ouvrage, les outils mathématiques issus de l’apprentissage machine ont été utilisés en combinaison aux données neuroanatomiques et neurophysiologiques existantes pour tenter de faire un pas en avant dans notre compréhension des bases computationnelles neurobiologiques de l’apprentissage, en particulier du développement de représentation dans le contexte de l’apprentissage par renforcement (récompenses). Afin de mieux comprendre l’interaction entre les ganglions de la base et le cortex dans le développement de représentations en apprentissage par renforcement, un nouveau modèle a été développé. Ce modèle contribue à expliquer comment les représentations temporelles pourraient émerger dans une mémoire de travail corticale. Il montre comment l’information de ces représentations pourrait être intégrée par le striatum et expliquer l’activité dopaminergique. Finalement, le modèle suggère une façon par laquelle la dopamine pourrait affecter positivement l’apprentissage dans le cortex en plus de faire de nombreuses prédictions sur l’activité corticale et dopaminergique dans différentes versions du conditionnement classique. Il reste cependant encore beaucoup de chemin à parcourir pour comprendre cet apprentissage dans le cerveau.

Trackback URI | Comments RSS

Leave a Reply