Наука
<<  Понятие когнитивной науки Искусственный интеллект и когнитивная наука  >>
Модульный подход к познанию
Модульный подход к познанию
Модульный подход к познанию
Модульный подход к познанию
Основы модульного подхода к познанию
Основы модульного подхода к познанию
Основы модульного подхода к познанию
Основы модульного подхода к познанию
Насколько речь модульна
Насколько речь модульна
Гипотеза всеобщей модульности
Гипотеза всеобщей модульности
А.Лентулов, Москва
А.Лентулов, Москва
ВЫВОД: познавательные процессы не обусловлены наследственностью
ВЫВОД: познавательные процессы не обусловлены наследственностью
Представление и приобретение знаний: есть ли альтернатива компьютерной
Представление и приобретение знаний: есть ли альтернатива компьютерной
Нейронные сети: Мозг как компьютер vs
Нейронные сети: Мозг как компьютер vs
Нейронные сети: рождение идеи (1943)
Нейронные сети: рождение идеи (1943)
Нейронные сети: рождение идеи (1943)
Нейронные сети: рождение идеи (1943)
Нейронные сети
Нейронные сети
Мозг человека содержит 1011 нейронов
Мозг человека содержит 1011 нейронов
Мозг человека содержит 1011 нейронов
Мозг человека содержит 1011 нейронов
Нейронные сети
Нейронные сети
Нейронные сети
Нейронные сети
Нейрон как компьютер
Нейрон как компьютер
Искусственный нейрон: активационная функция (y)
Искусственный нейрон: активационная функция (y)
Классическая модель нейрона (Маккалох и Питт)
Классическая модель нейрона (Маккалох и Питт)
Нейронная сеть
Нейронная сеть
Развитие нейронных сетей
Развитие нейронных сетей
Перцептрон Розенблатта
Перцептрон Розенблатта
Обучение перцептрона
Обучение перцептрона
Обучение нейронной сети
Обучение нейронной сети
Упадок коннекционизма
Упадок коннекционизма
Упадок коннекционизма
Упадок коннекционизма
Упадок коннекционизма
Упадок коннекционизма
Ренессанс коннекционизма
Ренессанс коннекционизма
Ренессанс коннекционизма
Ренессанс коннекционизма
Архитектура нейронной сети
Архитектура нейронной сети
Обучение нейрона
Обучение нейрона
Организация памяти (Макклелланд, 1981):
Организация памяти (Макклелланд, 1981):
Коннекционизм
Коннекционизм
Символьные и нейросетевые модели: «сферы влияния»
Символьные и нейросетевые модели: «сферы влияния»
Картинки из презентации «Когнитивная наука» к уроку философии на тему «Наука»

Автор: Pech. Чтобы познакомиться с картинкой полного размера, нажмите на её эскиз. Чтобы можно было использовать все картинки для урока философии, скачайте бесплатно презентацию «Когнитивная наука.ppt» со всеми картинками в zip-архиве размером 1496 КБ.

Когнитивная наука

содержание презентации «Когнитивная наука.ppt»
Сл Текст Сл Текст
1Когнитивная наука. Актуальные проблемы 34Перцептрон Розенблатта. Однослойный
прикладной лингвистики. 2007/2008. персептрон характеризуется матрицей
2Модульный подход к познанию. (с) Леда синаптических связей ||W|| от S- к
Космидес, Джон Туби. A-элементам. Элемент матрицы отвечает
3Модульный подход к познанию. связи, ведущей от i-го S-элемента (строки)
4Основы модульного подхода к познанию. к j-му A-элементу (столбцы).
Нейропсихология XIX века: речь может 35Обучение нейронной сети. Нейронная
нарушаться при сохранности прочих функций сеть обучается, чтобы для некоторого
(зона Брока, зона Вернике). Ноэм Хомский множества входных сигналов давать желаемое
(1988): врожденность языковой способности множество выходных сигналов. Каждое
и ее независимость от других способностей множество сигналов при этом
-- язык как отдельный «умственный орган». рассматривается как вектор. Обучение
5Языковая способность как отдельный осуществляется путем последовательного
модуль. Ген FOXP2 хромосомы 7 Разница в предъявления входных векторов с
усвоении L1 и L2 Трудности в обучении одновременной подстройкой весов в
обезьян языку Грамматики устной речи vs соответствии с определенной процедурой. В
языки глухонемых Креольские языки, процессе обучения веса сети постепенно
создание языка жестов группой глухонемых становятся такими, чтобы каждый входной
детей. вектор вырабатывал требуемый выходной
6Основы модульного подхода к познанию. вектор, используя правила, указанные выше.
Идея модульности познания -- Дэвид Марр 36Обучение перцептрона. Обучение
(1945-1980): «Любой большой массив классической нейронной сети состоит в
вычислений должен быть разбит и реализован подстройке весовых коэффициентов каждого
как набор частей, независимых друг от нейрона. Пусть имеется набор пар векторов
друга настолько, насколько это допускает {xa, ya}, a = 1..p, называемый обучающей
общая задача…» (1976). выборкой, состоящей из p объектов. Вектор
7Рождение модульного подхода к {xa} характеризует систему признаков
познанию. Джерри Фодор (1983): общая конкретного объекта a обучающей выборки,
концепция «модульности»: познание как зафиксированную S-элементами. Вектор {ya}
мозаика специализированных модулей. характеризует картину возбуждения нейронов
Насколько этот принцип универсален? при предъявлении нейронной сети
8Модульный подход к познанию. конкретного объекта a обучающей выборки:
Когнитивная архитектура: Центральные 37Обучение перцептрона.
системы: планирование, принятие решения. 38Обучение перцептрона. Будем называть
Модульные системы ввода. нейронную сеть обученной на данной
9Критерии выделения модулей. Особая обучающей выборке, если при подаче на вход
сфера влияния, или специализация (domain сети вектора {xa} на выходе всегда
specificity): каждый модуль компетентен в получается соответствующий вектор {ya},
обработке одного из видов информации или в т.е. каждому набору признаков
решении одного из классов познавательных соответствуют определенные классы.
задач и не участвует в решении других 39Обучение перцепторна. Система связей
классов задач. между рецепторами S и A - элементами, так
10Насколько речь модульна? Элизабет же как и пороги A - элементов выбираются
Бейтс (1947-2003). Недавнее появление в некоторым случайным, но фиксированным
филогенезе Пластичность поведенческих образом Обучение – изменение коэффициентов
проявлений Пластичность нервных механизмов ki. Задача: разделять два класса объектов:
Произвольность связей между обозначением и при предъявлении объектов первого класса
обозначаемым. выход перцептрона был положителен, а при
11Гипотеза всеобщей модульности. Дэн предъявлении объектов второго класса –
Спербер: познание полностью модульно -- отрицательным. Начальные коэффициенты ki
так же, как биологический организм. полагаем равными нулю.
Неспециализированных систем переработки 40Обучение перцептрона. Предъявляем
информации, использующих обобщенный обучающую выборку: объекты (например,
«умственный лексикон», НЕТ. круги либо квадраты) с указанием класса, к
12Критика модульного подхода. 1. которым они принадлежат. Показываем
Теоретическая: проблема обучения и перцептрону объект первого класса. При
пластичности познания; влияние культуры на этом некоторые A - элементы возбудятся.
«модульные» процессы (см. в частности Значения возбуждений каждого нейрона
пример зрения, top-down processing) образуют входной вектор. Коэффициенты ki ,
проблема нисходящей (data-driven) соответствующие этим возбужденным
регуляции решения познавательных задач. элементам, увеличиваем на 1. Предъявляем
13А.Лентулов, Москва. объект второго класса и коэффициенты ki
14ВЫВОД: познавательные процессы не тех A - элементов, которые возбудятся при
обусловлены наследственностью настолько, этом показе, уменьшаем на 1. Процесс
как того хотелось бы представителям продолжим для всей обучающей выборки. В
модульного подхода… Адекватная модель? результате обучения сформируются значения
Неспециализированная обучаемая система! весов связей ki . Значения пороговой
15Представление и приобретение знаний: функции – выходной вектор.
есть ли альтернатива компьютерной 41Обучение нейронной сети. Дональд
метафоре? Олдинг Хебб (1904-1985). Итог --
16Нейронные сети: Мозг как компьютер vs. образование «нейронного ансамбля», который
Компьютер как мозг. все быстрее активируется при каждом
17Мозг человека: преимущества перед очередном повторении входа. Правило Хебба
компьютером. 1011 нейронов, 1014-1015 (1949): между одновременно активированными
связей между нейронами. Частота нейронами сети пороги синаптической связи
импульсации -- 102 Гц (современные снижаются.
персональные компьютеры -- до 109 Гц). NB! 42Упадок коннекционизма. 1969 -- Марвин
Медлительность и ненадежность отдельных Минский, Сеймур Пейперт «Перцептроны»:
нейронов компенсируется их количеством. приговор нейронным сетям?
Параллельная переработка информации (в 43Ренессанс коннекционизма. 1986 --
компьютерах -- преимущественно Дэвид Румельхарт (Стэнфорд), Джеймс
последовательная). «Переход количества в Макклелланд (Карнеги-Меллон).
качество»: богатство поведения. Нельзя «Параллельно-распределенная переработка»
сказать, что мозг исходно «готов к (PDP).
использованию»: велика роль обучения. 44Архитектура нейронной сети.
18Нейросетевой подход: основные 45Основные понятия: «Нейрон» (unit,
положения. Процессы познания -- результат node) -- элемент сети, который суммирует
взаимодействия большого числа простых входные сигналы и, в случае превышения
перерабатывающих элементов, связанных друг порога его активации, выдает выходной
с другом и организованных в слои сигнал (1 или 0) , выполняющий функцию
(«модули»). «Переработка информации» -- активации или торможения в соответствии с
определенный ответ элемента на воздействия весовым коэффициентом связи между ним и
извне. Знания, управляющие процессом последующими нейронами. Функция связи
переработки, хранятся в форме весовых между элементами сети («синапса») --
коэффициентов связей между элементами умножение сигнала на весовой коэффициент.
сети. Главное -- не элементы, а связи Порог -- весовой коэффициент, связанный с
между ними («субсимвольный подход»). постоянным входным сигналом, равным 1.
Обучение -- процесс изменения весовых 46Обучение нейронной сети: «Обучение с
коэффициентов связей между элементами сети наставником»: задачи распознавания
(приспособления их к решению определенной (заранее известен правильный ответ ->
задачи). сеть настраивается на выдачу ответов,
19Классы задач, решаемых современными максимально близких к нему). «Обучение без
нейросетями: Классификация: распознавание наставника»: задачи классификации
образов, распознавание голосов, (правильный ответ неизвестен, но набор
верификация подписей, постановка диагноза, параметров относительно устойчив ->
анализ экспериментальных данных и т.д. раскрытие внутренней структуры данных или
Моделирование: поведение системы, связей между образцами). Смешанные формы
поставленной в определенные условия. обучения.
Прогноз: погода, ситуация на рынке ценных 47Алгоритм обучения (метод градиентного
бумаг, бега, выборы и т.д. Комплексные спуска aka обратное распространение
задачи: управление принятие решений. ошибки). Выбрать очередную пару векторов
20Нейронные сети: рождение идеи (1943). Xk и Yk из обучающей выборки. Вычислить
Уоррен Маккаллох (1898-1969). Уолтер Питтс выход сети Y . Вычислить разность между
(1923-1969). «Логическое исчисление выходом сети Y и требуемым выходным
присуще нейронной активности» (1943). вектором Yk (целевым вектором обучающей
21Нейронные сети. Реальный нейрон. пары). Т.е. определить ошибку нейронной
22Мозг человека содержит 1011 нейронов. сети. Подкорректировать веса сети wji так,
Состав нейрона: аксон, 10 000 дендритов, чтобы минимизировать ошибку. Повторять
синапсы Состояние нейрона: возбуждение и шаги с 1 по 4 для каждой пары обучающей
торможение. выборки до тех пор, пока ошибка не
23Нейронные сети. Формальный нейрон. достигнет приемлемого уровня.
Элемент с пороговой логикой (TLU): 48Обучение нейрона. Угол между
преодоление порога -- 1, иначе -- 0. векторами: скалярное произведение /
24Формальный нейрон. Входные сигналы произведение длин Минимизация средней
формируются в рецепторах (не входят квадратичной ошибки при помощи
нейрон). Далее эти сигналы умножаются на корректировки весовых коэффициентов метод
веса соответствующих синапсов (которые минимальных квадратов F(x) = mx+b MIN
могут изменяться при обучении), затем SS(m,b) = ?(yi-f(xi))2 = ?(yi-mxi-b)2,
результаты суммируются. На основе i=1…n.
полученной суммы (NET) с помощью 49Организация памяти (Макклелланд,
активационной функции вычисляется выходной 1981):
сигнал нейрона (OUT). 50Работа сети. Nodes organized in pools
25Нейрон как компьютер. Сигнал Inhibitory weights within pool Excitatory
сумматора: n – количество синапсов i – weights between pools Individual units
индекс сигнала xi – входной сигнал NET – point to property units Signals pass
сигнал сумматора Активизационная функция: through network, and the network finds a
OUT = F(NET) Примеры активизационных stable pattern of processor activity.
функций: OUT = K*NET OUT=1, NET>T; 51Преимущество нейронной сети. Retrieve
OUT=0, NET? T OUT=1/(1 + e-NET). info from partial description •Correct
26Искусственный нейрон: активационная info from incorrect input •Retrieve info
функция (y). not explicitly encoded Retrieve info after
27Классическая модель нейрона (Маккалох network damage.
и Питт). 52Коннекционизм. Формирование у
28Нейронная сеть. Нейронная сеть – нейронной сети «социальных стереотипов».
ориентированный ациклический граф, вершины 53Преимущества сетевой архитектуры.
которого нейроны разбиты на слои. Ребра – Проблемы нейросетевого подхода.
синапсы. Каждому ребру приписан свой вес и Возможность обучения Распределенное
функция проводимости. хранение информации. Границы пластичности
29Теоретическая концепция искусственной субстрата и «содержательная»
сети Маккаллоха и Питтса. Три типа специализация? Ограничения по типам
нейронов: входные (рецепторы) -- решаемых задач.
активируются извне; внутренние 54Символьные и нейросетевые модели:
(центральные) -- активируются входными и «сферы влияния». Символьные модели.
прочими нейронами и активируют входные и Нейронные сети. Явные правила,
прочие нейроны; выходные (эффекторы) -- формализуемые задачи
получают импульсы от центральных и входных (культурно-обусловленные общедоступные
нейронов и отвечают за выполнение знания): например, логические и
действия. математические задачи. Неявные правила,
30Теоретическая концепция искусственной «интуитивные» задачи (индивидуальные
сети Маккаллоха и Питтса. Правила знания): умозаключение по аналогии,
функционирования сети: задержки в выделение фигуры на фоне и т.П. Задачи,
распространении активации одинаковы для требующие обучения. Задачи, требующие
всех нейронов сети; нейроны импульсируют конечного набора знаний.
не постоянно, а только в определенные 55Символьные и нейросетевые модели:
моменты; каждый выходной синапс одного «сферы влияния». Символьные модели.
нейрона соответствует только одному Нейронные сети.
входному синапсу следующего нейрона; на 56Возможности интеграции нейросетевого и
любом нейроне может сходиться несколько символьного подходов: экспертные системы.
синапсов; входные синапсы вносят вклад в Нейронная сеть распознавание образов,
преодоление порога активации, при переходе быстрые ответы на запросы сложной
через который (и только в этом случае) окружающей среды. Экспертная система
нейрон начинает передавать импульс. принятие решений, логическая проверка
31Развитие нейронных сетей. Фрэнк выводов с учетом дополнительной
Розенблатт (1928-1969), Корнельский информации.
университет, США -- перцептрон (1958). 57Возможности интеграции нейросетевого и
32Развитие нейронных сетей. Фрэнк модульного подходов: проблема врожденного
Розенблатт (1928-1969), Корнельский и приобретенного в познании.
университет, США. 1962 -- «Принципы «Наследственность» нейронной сети:
нейродинамики: перцептроны и теория количество элементов количество слоев
мозговых механизмов»: интеграция данных правила и параметры распространения
компьютерного моделирования (включая активации и изменения весов в разных
перцептрон), нейрохирургии, регистрации слоях. Достаточно ли этого для развития
активности отдельных нейронов и т.д. форм познания, характерных для человека?
33Перцептрон Розенблатта.
Когнитивная наука.ppt
http://900igr.net/kartinka/filosofija/kognitivnaja-nauka-121853.html
cсылка на страницу

Когнитивная наука

другие презентации на тему «Когнитивная наука»

«Новая наука» - «Cogito, ergo sum». Сформулировал законы падения тел, движения маятника. Джордано Бруно (1548 – 1600). Индивидуальная работа. Фрэнсис Бэкон (1561 – 1626). Секрет кровообращения. Особенности новой науки. Первый ученый, наблюдавший небо в телескоп. «Я мыслю, следовательно, я существую …». Николай Коперник (1473 – 1543).

«Когнитивная наука» - Проблема природы человека как аспект взаимодействия философии и КН. Первый связан с переходом от дискретного, атомистического мировосприятия к системному. Аспекты взаимодействия философии и КН Междисциплинарность и образование. Познание в когнитивной науке (эволюционный когнитивизм). Применение когнитивных технологий для усиления человеческого разума – дело науки.

«Наука биология» - Биологические дисциплины. Биология – наука о жизни, о живых организмах, обитающих на Земле. Растения Животные. Бактерии Грибы. Что такое биология? Биология. Царства живых организмов. Значение биологии. Что изучает биология?

«Наука 20 века» - Достижения по биологии. В 1911 г. Пулковская астрономическая обсерватория. Экономические и политические тормозы научного прогресса. Особенности развития науки в начале XX века. Радио Попова. Структура научной сферы Российского государства в начале 20 века. Преимущества российской науки. Достижения по физике, химии и технике.

«Экология как наука» - C, H, O, N, P, S Составляют основу биомолекулы клетки: белкиб нуклеиновые кислоты, липиды, углеводы. Некоторые этапы. Пять основных исторических этапов. Разработка энерго и ресурсосберегающих технологий, сведение к минимуму выбросов в атмосферу и гидросферу. Цель экологической химии. Микроэлементы менее 10-3 %.

«Культура и наука» - Развитие культуры. Западная культура. "Раскручивание". ? Что возрождать. Функции современной науки. Наука и образование. Наука. Что такое наука? Религиозная культура. Этика науки. "Халтура". Интернационализация. Интернациональная. Функции. Введение в обществознание. Что такое культура?

Наука

27 презентаций о науке
Урок

Философия

20 тем
Картинки