Wstęp do Modelowania Systemów Poznawczych

ogólnouniwersyteckie

Wstęp do programowania, statystyka, procesy poznawcze lub fizyka statystyczna;

Wymagana jest znajomość angielskiego, umiejętność programowania w języku python i matlab, statystyka, matematyka, podstawy uczenia maszynowego lub psychologii poznawczej;

OGUN ogólno-uniwersytecki;

– przedmiot fakultatywny, seminaryjny i konwersatoryjny;

– realizowany od 4 roku studiów informatycznych, matematycznych, fizycznych, biologii, psychologii lub MiSMap

– forma studiów: stacjonarne i niestacjonarne;

w sali

Systemy poznawcze obejmują zarówno naturalne, jak i sztuczne układy aktywnie przetwarzające informację adaptując się do świata zewnętrznego. Dokonamy przeglądu aktualnej wiedzy wychodząc od opisu systemów biologicznych (takich jak na przykład pojedyncza komórka, kolonia organizmów patogennych), przez rzeczywiste układy neuronalne, aż po badane w psychologii procesy poznawcze i sieci społeczne.

Powyższe skale opisu stanowić będą inspirację do rozwoju różnych metod inteligencji obliczeniowej IO, tj. ewolucyjnych metod rozwiązywania obliczeniowo trudnych problemów, dla których nie istnieje metoda efektywnego zalgorytmizowania. W tym kontekście IO obejmuje metody uczenia maszynowego, rozpoznawania wzorców, analizy skupień, statystyki wielowymiarowej, optymalizacji, oraz modelowania niepewności (zbiory i logika przybliżona).

Teoria systemów poznawczych jest nową, interdyscyplinarną dziedziną badawczą z pogranicza nauk biologicznych, psychologicznych oraz informatyki. Jej głównym celem jest modelowanie za pomocą narzędzi komputerowych procesów poznawczych, tj. takich jednostkowych procesów wewnętrznych, które umożliwiają efektywną adaptację do środowiska (na przykład poprzez budowanie funkcjonalnych reprezentacji świata zewnętrznego). Tak zdefiniowane systemy poznawcze obejmują zarówno układy naturalne (takie jak pojedyncza komórka, kolonie komórek patogennych w organizmach żywych, proste sieci neuronalne), jak również algorytmy inteligencji obliczeniowej (np. uczenia maszynowego czy analizy skupień, modele uczenia społecznego, obliczenia w zespołach statystycznych).

Celem seminarium jest przegląd aktualnej literatury dotyczącej metod inteligencji obliczeniowej, modelowania procesów poznawczych, wiedzy kognitywnej i procesu komunikacji, jak również zagadnień przetwarzania informacji w układach biologicznych.

Celem konwersatorium jest próba twórczego połączenia wiedzy, którą zebrano w trakcie gwałtownego rozwoju biologii (proteomika, sieci metaboliczne i sygnałowe, bioinformatyka, metody obrazowania procesów biologicznych), psychologii poznawczej (mechanizmy percepcyjne, pamięciowe, uwagowe, decyzyjne, ewolucja języka, semiotyka), logiki, metod organizacji i analizy wiedzy, z modelowaniem procesów uczenia się w algorytmach inteligencji obliczeniowej. Będziemy tutaj praktycznie testować różne podejścia badawcze łącząc nauki informatyczne, humanistyczne oraz biologiczne.

Systemy Biologiczne:

• C. Barnes, D. Silk, X. Sheng, and M.P.H. Stumpf, “Bayesian design of synthetic biological systems,” Systems Biology, 2011.

• D. Noble, “Biophysics and systems biology,” Society, 2010, pp. 1125-1139.

• D. Bray, M.D. Levin, and K. Lipkow, “The chemotactic behavior of computer-based surrogate bacteria.,” Current biology : CB, vol. 17, Jan. 2007, pp. 12-9.

• P. Hogeweg, “The Roots of Bioinformatics in Theoretical Biology,” PLoS Computational Biology, vol. 7, Mar. 2011, p. e1002021.

• Pattee, H.H. (1969). How does a molecule become a message? Developmental Biology Supplement, 3, 1-16.

• Pattee, H.H. (1987). Instabilities and information in biological self-organization. In F.E. Yates (Ed.) Self-organizing systems: The emergence of order. London: Plenum Press.

• A. Wagner, “From bit to it: how a complex metabolic network transforms information into living matter.,” BMC systems biology, vol. 1, Jan. 2007, p. 33.

• P. de Silva, M.R. James, B.O.F. McKinney, D. a Pears, and S.M. Weir, “Molecular computational elements encode large populations of small objects.,” Nature materials, vol. 5, Oct. 2006, pp. 787-90.

• J. Macía, F.Posas, R. Solé, Distributed computation: the new wave of synthetic biology devices. Trends in biotechnology, 2012

Modele Systemów Poznawczych:

• Bahrami, B; Olsen, K., Latham, P. E., Roepstorff, A., Rees, G. & Firth, C.D. (2010). Optimally interacting minds. Science 329, 1081-1085.

• Puglisi A., Baronchelli, A. & Loreto, V. (2008). Cultural route to the emergence of linguistic categories Proc. Natl. Acad. Sci. USA 105, 7936

• Steels, L. and Belpaeme, T. (2005). Coordinating Perceptually Grounded Categories through Language: A Case Study for Colour. Behavioral and Brain Sciences, 28(4), 469-89;

• Mathys C, Jean Daunizeau J, Karl J Friston KJ, Klaas Enno Stephan KE. (2011) A Bayesian foundation for individual learning under uncertainty Front. Hum. Neurosci. 5:35

• Daunizeau J, den Ouden HE, Pessiglione M, Kiebel SJ, Stephan KE, Friston KJ. Observing the observer (I): meta-bayesian models of learning and decision-making. PLoS One. 2010 Dec 14;5(12):e15554.

• Daunizeau J, den Ouden HE, Pessiglione M, Kiebel SJ, Friston KJ, Stephan KE. Observing the observer (II): deciding when to decide. PLoS One. 2010 Dec 14;5(12):e15555.

• Yoshida W, Dolan RJ, Friston KJ. Game theory of mind. PLoS Comput Biol. 2008 Dec;4(12):e1000254.

• Friston KJ, Daunizeau J, Kiebel SJ. Reinforcement learning or active inference? PLoS One. 2009 Jul 29;4(7):e6421.

• S.S. Chikkerur, T. Serre, C. Tan, and T. Poggio, “What and where: A Bayesian inference theory of attention,” Vision Research, May. 2010.

Metody uczenia maszynowego i analizy skupień

• R. Polikar, “Bootstrap-inspired techniques in computational intelligence,” Signal Processing Magazine, IEEE, vol. 24, 2007, p. 59–72.

• M. Deodhar and J. Ghosh, “Consensus Clustering for Detection of Overlapping Clusters in Microarray Data,” Sixth IEEE International Conference on Data Mining - Workshops (ICDMWʼ06), Dec. 2006, pp. 104-108.

• L.I. Kuncheva, S.T. Hadjitodorov, and L.P. Todorova, “Experimental Comparison of Cluster Ensemble Methods,” 2006 9th International Conference on Information Fusion, Jul. 2006, pp. 1-7.

• R. Polikar, “Ensemble Based Systems in Decision Making,” Circuits and Systems Magazine, IEEE, vol. 6, 2006, p. 21–45.

• A. Strehl and J. Ghosh, “Cluster Ensembles - A Knowledge Reuse Framework for Combining Partitionings,” AAAI, 2002.

Systemy neuronalne:

• Friston K, Mattout J, Kilner J. Action understanding and active inference. Biol Cybern. 2011 104:137–160

• Friston KJ, Daunizeau J, Kilner J, Kiebel SJ. Action and behavior: a free-energy formulation. Biol Cybern. 2010 102(3):227-60

• Friston K. Embodied Inference: or “I think therefore I am, if I am what I think” In: The Implications of Embodiment (Cognition and Communication) Eds. Wolfgang Tschacher and Claudia Bergomi, Imprint Academic ISBN 9781845402402

• S. Chikkerur, T. Serre, and T. Poggio, “A Bayesian inference theory of attention : neuroscience and algorithms,” Computer Science and Artificial Intelligence Laboratory Technical Report, 2009.

Zagadnienia psychologii poznawczej:

• Wilson, M. & Wilson, T.P. (2005). An oscillator model of the timing of turn-taking. Psychonomic Bulletin and Review, 12 (6), 957-968.

• Tylén, K., Fusaroli, R., Bundgaard, P., Østergaard, S. (in press). Making Sense Together: a dynamical account of linguistic meaning making. Semiotica

• Clark, A. 2006. “Language, embodiment, and the cognitive niche”. Trends in Cognitive Ssciences, 10: 370-374.

• Cowley, S. J. (1998). Of timing, turn-taking and conversations. Journal of Psycholingitistic Research, Vol. 27, No. 5, 541-571.

• Di Paolo, E. A., Rohde, M. and Iizuka, H. (2008). Sensitivity to social contingency or stability of interaction? Modelling the dynamics of perceptual crossing New Ideas in Psychology , 26: 278 - 294, Special issue on Dynamics and Psychology.

• Galantucci, B. (2009). Experimental Semiotics: A new approach for studying communication as a form of joint action. Topics in Cognitive Science, 1(2), 393-410.

• Orsucci, F., Giuliani, A., Webber, C.L., Jr., Zbilut, J., Fonagy, P., Mazza, M. (2006). Combinatorics and synchronization in natural semiotics. Physica A 361: 665-676.

Po ukończeniu przedmiotu student:

Wiedza:

- orientuje się w podstawach wybranych zagadnień a) biologii systemowej (proteomika, sieci metaboliczne i sygnałowe, bioinformatyka, metody obrazowania procesów biologicznych), b) psychologii poznawczej (mechanizmy percepcyjne, pamięciowe, uwagowe, decyzyjne, ewolucja języka, semiotyka), c) z zakresu metod organizacji i analizy wiedzy oraz modelowania procesów uczenia się w algorytmach inteligencji obliczeniowej, modelowania procesów poznawczych, wiedzy kognitywnej i procesu komunikacji.

– analizuje dane wielkoskalowe (biologiczne, informatyczne, psychologiczne)

– rozpoznaje i poprawnie posługuje się metodami uczenia maszynowego w kontekście modelowania procesów poznawczych w sztucznych algorytmach informatycznych

– identyfikuje i wyjaśnia procesy poznawcze zachodzące w rzeczywistych układach żywych

umiejętności społeczne i interpersonalne:

- prezentuje wyniki badań opublikowanych i własnych

- umie nawiązać współpracę w grupie interdyscyplinarnej

Stopień z egzaminu końcowego,

wykonanie i przedstawienie projektu grupowego,

wykonanie prezentacji wybranej publikacji, ocena prezentacji, stopnia zrozumienia problemu,

obecność na zajęciach,

aktywność podczas zajęć

Modelowanie procesów poznawczych