Desenvolvemos a teoria das taxas de disparos e mostramos como ela surge em neurônios com disparos tônicos. Em seguida, revisamos aplicações das taxas de disparos, como curvas de sintonia, codificação por taxa, curvas f-I e modelos efetivos (de campo médio) de redes neurais. Também discutimos resultados interessantes obtidos com essa abordagem, incluindo a teoria de Hopfield, aplicações do modelo de Wilson-Cowan e o esquema de codificação por taxa-variância que propomos.

Aula 1: Neurônios e dinâmica neural

• Ferramentas matemáticas e computacionais básicas: equações diferenciais, álgebra linear, probabilidade, estatística e métodos numéricos.
• Modelos de neurônios do tipo integrate-and-fire.
• Dinâmica neural básica e eletrofisiologia.
• Modelos baseados em condutâncias e princípios neuroeletrônicos.
• Codificação neural e taxas de disparos.

Aula 2: De neurônios a redes neurais

• Sinapses e interações entre neurônios.
• Modelos de taxa de disparos e dinâmica populacional.
• Relação entre modelos de disparos individuais e descrições por taxa de disparos.
• Codificação neural e teoria da informação.
• Introdução às redes cerebrais e às representações em rede da atividade cerebral.

Aula 3: Aprendizagem, plasticidade e organização de redes

• Plasticidade sináptica e aprendizagem.
• Redes de Hopfield e memória associativa.
• Criticalidade e dinâmica coletiva em sistemas neurais.
• Redes cerebrais e organização da atividade cerebral em grande escala.
• Relações entre computação neural, sistemas dinâmicos e ciência de redes.

Bibliografia

1. P. Miller (2018) An Introductory Course in Computational Neuroscience. The MIT Press.
2. Gerstner W, Kistler WM, Naud R, Paninski L (2014) Neuronal Dynamics: From single neurons to networks and models of cognition. Cambridge University Press.
3. Dayan, P. and Abbott, L.F. (2001) Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. The MIT Press.
4. Izhikevich E.M. (2007) Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting. The MIT press.
5. M Girardi-Schappo, L Maler, A Longtin (2026) Optimal rate-variance coding due to firing threshold adaptation near criticality. arXiv:2509.04106 [q-bio.NC]
6. D D Caprioti, M Haas, C F Vasconcelos, M Girardi-Schappo (2026) Learning About Learning: A Path from Spin Glasses to Artificial Intelligence. arXiv:2601.07635 [cond-mat.dis-nn]