Uniwersytet Warszawski - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Modelowanie procesów poznawczych II

Informacje ogólne

Kod przedmiotu: 2500-KOG-PL-M1L-1 Kod Erasmus / ISCED: 14.4 / (0313) Psychologia
Nazwa przedmiotu: Modelowanie procesów poznawczych II
Jednostka: Wydział Psychologii
Grupy: Kognitywistyka 2
Punkty ECTS i inne: 5.00
Język prowadzenia: polski
Skrócony opis:

Przedmiot poświęcony jest bardziej szczegółowej analizie konkretnych modeli szeroko rozumianych procesów poznawczych, obejmujących zarówno poziom zachowań jednostek i grup, wytworów kulturowych (takich jak język), jak i mechanizmów biologicznych (tzw. poznanie biologiczne). W szczególności prezentowane są różne podejścia do modelowania zjawisk kategoryzacji (wyróżnianie pojęć, koncepcje podobieństwa obiektów), mechanizmy uwagi, dynamiczna koordynacja (intra- i interpersonalna), podejmowanie decyzji.

Pełny opis:

Celem zajęć jest przegląd aktualnej literatury dotyczącej metod kognitywistyki obliczeniowej, inteligencji obliczeniowej, modelowania nabywania wiedzy i zjawiska komunikacji u ludzi, jak również zagadnień przetwarzania informacji w układach biologicznych.

Systemy poznawcze definiowane są przez ich zdolność do adaptacji do zmiennych warunków środowiska. Tak rozumiane poznanie jest obecne na wielu poziomach (od organizmów jednokomórkowych, przez układy regulacyjne takie jak układ odpornościowy, po poszczególnych ludzi i całe grupy społeczne), obejmuje zarówno układy naturalne, jak i sztuczne (np. autonomiczne roboty). W ramach przedmiotu zostanie przeprowadzona analiza dotychczasowych osiągnięć w modelowaniu tego rodzaju układów. Punktem wyjścia dla wykładu będą konkretne przykłady procesów poznawczych podlegających modelowaniu. Przedstawione zostaną różne podejścia do ujęcia tych samych zjawisk. Będzie to stanowić okazję do rozważań metodologicznych na temat budowania modelu i interpretacji uzyskiwanych wyników. Ukazana zostanie droga prowadząca od formalnej koncepcji do implementacji obliczeniowej.

Zakres wykładu:

1. Aktywne percepcja świata podczas interakcji ze środowiskiem. Wysokopoziomowe modele uwagi (w tym uwagi wzrokowej) w podejściu neuroinformatycznym i bayesowskim.

2. Przejście od percepcji do kategoryzacji. Prototypowe i egzemplarzowe teorie pojęć, koncepcje podobieństwa obiektów. Odniesienia do technik uczenia maszynowego, porównanie modeli generatywnych z dystynktywnymi. Kategorie jako baza dla formowania się języka.

3. Symulacyjne modele ewolucji języka bazujące na percepcji, kategoryzacji i interakcji. Uwspólnianie kategorii między jednostkami. Paradygmat uczenia iteracyjnego.

4. Modele dynamicznej koordynacji intra- i interpersonalnej. Koordynacja motoryczna i językowa. Język i komunikacja jako narzędzia do koordynacji działań.

5. Modele podejmowania decyzji. Decyzje grupowe podejmowane w oparciu o komunikację. Odniesienie do znanych z uczenia maszynowego komitetów klasyfikatorów.

6. Integracja modeli poszczególnych procesów w ramach większych architektur. Modularne koncepcje funkcjonowania umysłu. Modelowanie złożoności poszczególnych zadań.

Literatura:

Barnes, C. P., Silk, D., Sheng, X., & Stumpf, M. P. H. (2011). Bayesian design of synthetic biological systems. Proceedings of the National Academy of Sciences, 108(37), 15190–15195. http://doi.org/10.1073/pnas.1017972108

Eliasmith, C. (2013). How to Build a Brain: A Neural Architecture for Biological Cognition. OUP USA.

Gray, W. D. (2007). Integrated Models of Cognitive Systems (Advances in Cognitive Models and Architectures). New York, NY, USA: Oxford University Press, Inc.

Lee, M. D., & Wagenmakers, E.-J. (2014). Bayesian Cognitive Modeling: A Practical Course. Cambridge ; New York: Cambridge University Press.

Lewandowsky, S., & Farrell, S. (2010). Computational Modeling in Cognition: Principles and Practice. SAGE.

Steels, L. (2015). The Talking Heads experiment: Origins of words and meanings. Berlin: Language Science Press.

Sun, R. (2008). The Cambridge Handbook of Computational Psychology (1. wyd.). New York, NY, USA: Cambridge University Press.

Artykuły i inne materiały:

Systemy Biologiczne:

• 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.

• Mahmoodi, A., Bang, D., Ahmadabadi, M. N., & Bahrami, B. (2013). Learning to Make Collective Decisions : The Impact of Confidence Escalation, 8(12). doi:10.1371/journal.pone.0081195

• Kearns, M. (2012). Experiments in social computation. Communications of the ACM, 55, 56. doi:10.1145/2347736.2347753 (to z poniedziałkowych spotkań)

• Bang, D., Fusaroli, R., Tylén, K., Olsen, K., Latham, P. E., Lau, J. Y. F., … Bahrami, B. (2014). Does interaction matter ? Testing whether a confidence heuristic can replace interaction in collective decision-making. CONSCIOUSNESS AND COGNITION, 26, 13–23. doi:10.1016/j.concog.2014.02.002

• Bahrami, B., Olsen, K., Bang, D., Roepstorff, A., Rees, G., & Frith, C. (2012). What failure in collective decision-making tells us about metacognition. Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences, 367(1594), 1350–65. doi:10.1098/rstb.2011.0420

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.

• 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.

• Tylén K, Fusaroli R, Bundgaard PF, Østergaard S. Making sense together: A 704 dynamical account of linguistic meaning-making. Semiotica. 7052013;2013(194):39–62

• Fowler CA, Richardson MJ, Marsh KL, Shockley KD. Language Use, 672 Coordination, and the Emergence of Cooperative Action. In: Fuchs A, Jirsa VK, 673 editors. Coordination: Neural, Behavioral and Social Dynamics. Understanding 674 Complex Systems. Springer Berlin Heidelberg; 2008. p. 261–279

Efekty uczenia się:

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.

nabyta wiedza:

* student potrafi wskazać procesy poznawcze zachodzące w różnych skalach

* student zna różnorodne modele procesów poznawczych

* student zna zasady budowania i ewaluacji modeli

* student zna środowiska programistyczne ułatwiające modelowanie procesów poznawczych

nabyte umiejętności:

* student umie formalizować koncepcje i intuicje w formie modeli obliczeniowych

* student umie stosować gotowe modele obliczeniowe i interpretować wyniki symulacji

* student umie implementować modele w środowisku programistycznym

nabyte kompetencje społeczne

* student umie uważnie słuchać wypowiedzi innych osób, a także brać udział w dyskusji

* student umie pracować w grupie i samodzielnie

Metody i kryteria oceniania:

Stopień z egzaminu końcowego,

wykonanie i przedstawienie projektu grupowego,

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

obecność na zajęciach,

aktywność podczas zajęć

Zajęcia w cyklu "Semestr letni 2018/19" (zakończony)

Okres: 2019-02-16 - 2019-06-08
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Seminarium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Joanna Rączaszek-Leonardi
Prowadzący grup: Michał Denkiewicz, Joanna Rączaszek-Leonardi, Julian Zubek
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Seminarium - Zaliczenie na ocenę
Wykład - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.