Au cours de cette thèse, nous étudions les principes qui sous-tendent le codage optimal de l’information dans les systèmes neuronaux, en combinant des modèles issus de la théorie de l’information et de l’apprentissage machine et l’analyse de données expérimentales. Une grande partie des travaux théoriques sur le codage efficace s’est concentrée sur les neurones dont la réponse moyenne en fonction du stimulus — la courbe de réponse – peut être décrite par une fonction simple. Néanmoins, les neurones présentent souvent des courbes de réponse plus complexes : dans les cellules de grille, par exemple, la périodicité des réponses confère au codage de la population une grande précision. Il n’est pas clair si la haute précision résulte de la structure périodique des réponses ou s’obtient plus généralement dans les neurones avec des courbes de réponse complexes. Dans un premier projet, nous abordons cette question avec l’utilisation d’un modèle théorique : un réseau neuronal dans lequel des courbes de réponse complexes et irrégulières émergent dans les neurones de la deuxième couche en raison de poids synaptiques aléatoires. L’irrégularité améliore la résolution locale du code, mais donne lieu à des erreurs globales catastrophiques. Lors de l’équilibrage de ces deux erreurs, le code résultant atteint une précision exponentielle en fonction du nombre des neurones et le réseau comprime l’information d’une représentation de haute dimension en basse dimension. En analysant les enregistrements du cortex moteur du singe, nous fournissons un exemple d’un tel code ‘compressé’. Nos résultats montrent que les codes efficaces n’ont peut-être pas besoin d’une structure finement réglée, mais ils émergent de manière robuste du caractère aléatoire des réseaux de neurones. Dans le premier chapitre, les propriétés de codage de la population sont calculées sous l’hypothèse d’un décodeur idéal. Dans le deuxième chapitre, nous nous demandons comment les critères d’optimalité d’un tel code neuronal sont affectés lorsque le circuit effectuant le décodage n’est pas idéal. Nous considérons des décodeurs paramétrés comme des réseaux de neurones, entraînés de manière supervisée sur un jeu de données limité d’exemples de paires stimulus réponse. En raison du bruit dans les données d’entraînement, le réseau est biaisé vers l’apprentissage de fonctions lisses et régulières. Cela donne un écart de performances par rapport au décodeur idéal, qui obtient une erreur plus faible en exploitant les irrégularités des courbes de réponse. Cet écart est réduit lorsque la complexité de l’architecture de décodage est augmentée, révélant un compromis entre l’efficacité de l’encodage et la facilité du décodage. Dans un troisième projet, nous considérons les représentations neuronales qui émergent au cours de l’apprentissage non supervisé. Un encodeur, qui associe les stimuli aux réponses neuronales, et un décodeur, dont la tâche est de maintenir un modèle génératif interne de l’environnement, sont optimisés conjointement, dans un cadre d’auto-encodeur variationnel. L’optimalité est atteinte lorsque l’encodeur est réglé de manière à maximiser une limite à l’information mutuelle entre les stimuli et les réponses neuronales, comme postulé par l’hypothèse de codage efficace, sous réserve d’une contrainte métabolique qui pénalise la différence entre l’activité neuronale induite par un stimulus et l’activité neuronale spontanée. Nous calculons des réponses neuronales optimales dans un modèle conventionnel de codage de population avec des courbes de réponse simples selon ce cadre. En faisant varier la contrainte, on obtient une famille de solutions qui donnent des modèles génératifs tout aussi satisfaisants, mais des représentations neuronales qualitativement différentes. Nos travaux illustrent comment l’interaction entre le processus d’encodage et de décodage façonne la représentation neuronale du monde extérieur.