'

Когнитивная наука

Понравилась презентация – покажи это...





Слайд 0

Когнитивная наука 2007/2008


Слайд 1

Материалы к курсу М.В. Фаликман: http://virtualcoglab.cs.msu.su


Слайд 2

Что это такое? область междисциплинарных исследований познания, понимаемого как совокупность процессов приобретения, хранения, преобразования и использования знаний живыми и искусственными системами


Слайд 3

ОСНОВНЫЕ ДИСЦИПЛИНЫ Экспериментальная психология познания Лингвистика Философия познания (Гносеология) Компьютерные науки, кибернетика, искусственный интеллект Антропология Нейробиология


Слайд 4

ПРОБЛЕМЫ МЕЖДИСЦИПЛИНАРНОГО ВЗАИМОДЕЙСТВИЯ - единый («общепринятый») язык; Что мешает договориться? От «научной омонимиии» («Депрессия альфа-ритма, говорите? А Вы антидепрессанты вводить не пробовали? ») до концептуальных разногласий (Активность мозга определяет психические процессы или обеспечивает их протекание?)


Слайд 5

Общие допущения: Познание = «обработка информации» = (1) представление знаний + (2) вычислительные операции по их преобразованию Мозг - вычислительное устройство («суперкомпьютер»), осуществляющее операции по преобразованию структур, посредством которых представлены знания


Слайд 6

Методология и методы когнитивной науки Методология -- «обратная инженерия» (Дэниэл Деннетт). Методы: 1. Частные 2. Междисциплинарные - компьютерное моделирование - функциональное картирование мозга (?)


Слайд 7

«Слабые звенья» - мотивационно-эмоциональная регуляция познания - социальная природа человеческого познания - познание и телесность - мозг как вычислительное устройство … Зоны роста когнитивной науки в XXI веке?


Слайд 8

РОЖДЕНИЕ КОГНИТИВНОЙ НАУКИ «Три кита» в Европе: - Фредерик Чарлз Бартлетт (1886-1969) - Жан Пиаже (1896-1980) - Александр Романович Лурия (1902-1977) контр


Слайд 9

РОЖДЕНИЕ КОГНИТИВНОЙ НАУКИ MIT (Кембридж, Массачусетс), 11 сентября 1956 года - Ноэм Хомский «Три модели языка» - Джордж Миллер «Магическое число 7+2» - Аллен Ньюэлл, Герберт Саймон «Логик-теоретик»


Слайд 10

РОЖДЕНИЕ КОГНИТИВНОЙ НАУКИ Джордж Миллер: “…Я уходил с Симпозиума с твердой уверенностью, скорее интуитивной, чем рациональной, в том, что экспериментальная психология человека, теоретическая лингвистика и компьютерное моделирование познавательных процессов – части еще большего целого, и в будущем мы увидим последовательную разработку и координацию их общих дел… Я двигался навстречу когнитивной науке в течение двадцати лет, прежде чем узнал, как она называется…” (см. Миллер Дж. «Когнитивная революция с исторической точки зрения» // Вопросы психологии, 2005, №6, с.104-109)


Слайд 11

Продолжение следует… 1957 -- группа искусственного интеллекта в MIT (Марвин Минский, Джон Маккарти) 1960 -- Центр когнитивных исследований в Гарварде (Джером Брунер, Джордж Миллер) 1976/77 -- журнал «Когнитивная наука» 1979 -- Общество когнитивной науки (Cognitive Science Society, Inc.), Массачусетс: Д. Норман, Р. Шенк и др. 1979 -- Первая конференция по когнитивной науке, Ла Хойя, Калифорния 1981 -- широкомасштабное финансирование в США (Sloan Foundation), университетские программы


Слайд 12

А у нас? психология познавательных процессов нейронаука (www.neuroscience.ru) искусственный интеллект (www.raii.org) прикладная и компьютерная лингвистика … 2002 -- Московский семинар по когнитивной науке (очередная встреча -- 9 марта 2006 г., 18:30) 2003 -- Первая российская Интернет-конференция по когнитивной науке (Auditorium.ru), 10 февраля - 10 апреля


Слайд 13

Продолжение следует… Борис Митрофанович Величковский (Москва-Дрезден-Москва) Валерий Дмитриевич Соловьев (Казань) Октябрь 2004, Казанский университет -- Первая российская конференция по когнитивной науке


Слайд 14

Продолжение следует… Подробнее см. http://www.cogsci.ru -- сайт Российской Ассоциации Когнитивных Исследований (создана в 2004 г.) Июнь 2006, Санкт-Петербургский университет -- Вторая российская конференция по когнитивной науке


Слайд 15

Компьютерная метафора познания Специалист подобен флюсу Человеческий мозг подобен компьютеру


Слайд 16

ОСНОВНЫЕ ПОДХОДЫ В КОГНИТИВНОЙ НАУКЕ Часть 1. Символьный подход


Слайд 17

НА ЗАРЕ КОГНИТИВНОЙ НАУКИ: СИМВОЛЬНЫЙ ПОДХОД Машина Тьюринга: принципы обработки информации


Слайд 18

НА ЗАРЕ КОГНИТИВНОЙ НАУКИ: СИМВОЛЬНЫЙ ПОДХОД Основные принципы архитектуры компьютера: Джон/Янош фон Нейман (1903-1957)


Слайд 19

НА ЗАРЕ КОГНИТИВНОЙ НАУКИ: СИМВОЛЬНЫЙ ПОДХОД Основные принципы архитектуры компьютера: Периферические устройства ввода-вывода; центральный процессор; оперативное запоминающее устройство; постоянное запоминающее устройство.


Слайд 20

НА ЗАРЕ КОГНИТИВНОЙ НАУКИ: СИМВОЛЬНЫЙ ПОДХОД Принципиальная архитектура познания: Периферические устройства ввода-вывода; центральный процессор; оперативное запоминающее устройство; постоянное запоминающее устройство. Сенсорные и моторные системы; «центральный процессор»; кратковременная (рабочая) память; долговременная память.


Слайд 21

НА ЗАРЕ КОГНИТИВНОЙ НАУКИ: СИМВОЛЬНЫЙ ПОДХОД Теория информации и теория коммуникации: Клод Элвуд Шеннон (1916-2001)


Слайд 22

Модель передачи информации: Клод Элвуд Шеннон


Слайд 23

НА ЗАРЕ КОГНИТИВНОЙ НАУКИ: СИМВОЛЬНЫЙ ПОДХОД Кибернетика, или теория управления: Норберт Винер (1894-1964)


Слайд 24

НА ЗАРЕ КОГНИТИВНОЙ НАУКИ: СИМВОЛЬНЫЙ ПОДХОД Аллен Ньюэлл, Герберт Саймон «Логик-теоретик» «Универсальный решатель задач»


Слайд 25

ОБЩИЙ РЕШАТЕЛЬ ЗАДАЧ А. Ньюэлл, Дж. Шоу, Г. Саймон «Моделирование мышления человека с помощью электронно-вычислительной машины» // Хрестоматия по психологии мышления. М.: 1981. С. 305-327. Эвристика Алгоритм Мышление -- преобразование символов и символьных систем по определенным правилам.


Слайд 26

НА ЗАРЕ КОГНИТИВНОЙ НАУКИ: СИМВОЛЬНЫЙ ПОДХОД Дональд Эрик Бродбент (1926-1993) модель переработки информации


Слайд 27

ОСНОВНЫЕ ДОПУЩЕНИЯ: Познание -- переработка информации Линейный характер переработки: последовательный ряд блоков от входа до выхода Блок/канал с ограниченной пропускной способностью


Слайд 28

ОСНОВНЫЕ ДОПУЩЕНИЯ: В системе переработки информации должен быть защитный фильтр -- механизм ВНИМАНИЯ: Теории внимания как отбора: Э.М. Трейсман Д. и Дж.Э. Дойч Д. Норман …


Слайд 29

Модели языка: Вероятностная (стохастическая) модель Дж. Миллера Теория трансформационных грамматик Н. Хомского Общее допущение: понимание и порождение речи как преобразование символов и их систем (словарных единиц и грамматических конструкций) по определенным правилам


Слайд 30

Модели памяти: Кратковременная память: 7+2 ячейки Теория двойственности памяти («постоянное запоминающее устройство» и «оперативное запоминающее устройство») Трехкомпонентная теория памяти (сенсорный регистр -- «буфер» Дональда Бродбента -- и те же системы).


Слайд 31

СИМВОЛЬНЫЙ ПОДХОД К ПОЗНАНИЮ Познавательные процессы ~ переработка символьной информации компьютером Психика -- «универсальное перерабатывающее устройство»


Слайд 32

СИМВОЛЬНЫЙ ПОДХОД К ПОЗНАНИЮ Развитие вычислительной техники : от «вычислений вообще» к частным задачам Появление специализированных «микропроцессоров» в пределах одной архитектуры (видеокарта, звуковая карта, управление внешними устройствами и т.д.)


Слайд 33

РОЖДЕНИЕ МОДУЛЬНОГО ПОДХОДА К ПОЗНАНИЮ 1983 -- Джерри Фодор, «Модульность психики» (The Modularity of Mind)


Слайд 34

МОДУЛЬНЫЙ ПОДХОД К ПОЗНАНИЮ (с) Леда Космидес, Джон Туби


Слайд 35

МОДУЛЬНЫЙ ПОДХОД К ПОЗНАНИЮ


Слайд 36

ОСНОВЫ МОДУЛЬНОГО ПОДХОДА К ПОЗНАНИЮ Ноэм Хомский (1988): врожденность языковой способности и ее независимость от других способностей -- язык как отдельный «умственный орган» Нейропсихология XIX века: речь может нарушаться при сохранности прочих функций (зона Брока, зона Вернике)


Слайд 37

ОСНОВЫ МОДУЛЬНОГО ПОДХОДА К ПОЗНАНИЮ Идея модульности познания -- Дэвид Марр (1945-1980): «Любой большой массив вычислений должен быть разбит и реализован как набор частей, независимых друг от друга настолько, насколько это допускает общая задача…» (1976)


Слайд 38

РОЖДЕНИЕ МОДУЛЬНОГО ПОДХОДА К ПОЗНАНИЮ Джерри Фодор (1983): общая концепция «модульности»: познание как мозаика специализированных модулей Насколько этот принцип универсален?


Слайд 39

МОДУЛЬНЫЙ ПОДХОД К ПОЗНАНИЮ Когнитивная архитектура: Модульные системы ввода Центральные системы: планирование, принятие решения


Слайд 40

КРИТЕРИИ ВЫДЕЛЕНИЯ МОДУЛЕЙ 1. Особая сфера влияния, или специализация (domain specificity): каждый модуль компетентен в обработке одного из видов информации или в решении одного из классов познавательных задач и не участвует в решении других классов задач


Слайд 41

ЕЩЕ КРИТЕРИИ ВЫДЕЛЕНИЯ МОДУЛЕЙ 7. Закономерное разворачивание в онтогенезе: ряд последовательных ступеней (собственная «история развития») 8. Локализация в мозге: специфические нервные механизмы 9. Избирательное нарушение: выпадение модуля не сказывается на работе других модулей (пример: лицевая агнозия) Прямое следствие -- УЗКАЯ СПЕЦИАЛИЗАЦИЯ МОДУЛЯ


Слайд 42

Насколько речь модульна? Недавнее появление в филогенезе Пластичность поведенческих проявлений Пластичность нервных механизмов Произвольность связей между обозначением и обозначаемым Элизабет Бейтс (1947-2003) Синдром Уильямса, SLI, афазии у взрослых: неоднозначность проявлений!


Слайд 43

ГИПОТЕЗА ВСЕОБЩЕЙ МОДУЛЬНОСТИ Дэн Спербер: познание полностью модульно -- так же, как биологический организм. Неспециализированных систем переработки информации, использующих обобщенный «умственный лексикон», НЕТ.


Слайд 44

КРИТИКА МОДУЛЬНОГО ПОДХОДА 1. Теоретическая: проблема обучения и пластичности познания; влияние культуры на «модульные» процессы (иллюзия Мюллера-Лайера в «круглом» мире); проблема нисходящей регуляции решения познавательных задач. За пределами рассмотрения: взаимодействие модулей! Примеры: две системы зрительного восприятия; феномен отчуждения руки, etc.


Слайд 45

КРИТИКА МОДУЛЬНОГО ПОДХОДА 2. Эмпирическая: двойные диссоциации внутри двойных диссоциаций -- Аннет Кармилофф-Смит и др. (Оксфорд); развитие речи и ранние локальные поражения головного мозга: возможности компенсации (Элизабет Бейтс и др.); «ген грамматики» FoxP2: исследования экспрессии гена у человека и животных.


Слайд 46

ВЫВОД: познавательные процессы не обусловлены наследственностью настолько, как того хотелось бы представителям модульного подхода… Неспециализированная обучаемая система! Адекватная модель?


Слайд 47

Представление и приобретение знаний: есть ли альтернатива компьютерной метафоре?


Слайд 48

Нейронные сети: основные положения


Слайд 49

Мозг человека: преимущества перед компьютером 1011 нейронов, 1014-1015 связей между нейронами. Частота импульсации -- 102 Гц (современные персональные компьютеры -- до 109 Гц). NB! Медлительность и ненадежность отдельных нейронов компенсируется их количеством. Параллельная переработка информации (в компьютерах -- преимущественно последовательная). «Переход количества в качество»: богатство поведения. Нельзя сказать, что мозг исходно «готов к использованию»: велика роль обучения.


Слайд 50

Нейросетевой подход: основные положения Процессы познания -- результат взаимодействия большого числа простых перерабатывающих элементов, связанных друг с другом и организованных в слои («модули»). «Переработка информации» -- определенный ответ элемента на воздействия извне. Знания, управляющие процессом переработки, хранятся в форме весовых коэффициентов связей между элементами сети. Главное -- не элементы, а связи между ними («субсимвольный подход»). Обучение -- процесс изменения весовых коэффициентов связей между элементами сети (приспособления их к решению определенной задачи).


Слайд 51

Классы задач, решаемых современными нейросетями: Классификация: распознавание образов, распознавание голосов, верификация подписей, постановка диагноза, анализ экспериментальных данных и т.д. Моделирование: поведение системы, поставленной в определенные условия. Прогноз: погода, ситуация на рынке ценных бумаг, бега, выборы и т.д. Комплексные задачи: управление принятие решений


Слайд 52

Нейронные сети: рождение идеи (1943) Уоррен Маккаллох (1898-1969) Уолтер Питтс (1923-1969) «Логическое исчисление присуще нейронной активности» (1943)


Слайд 53

Нейронные сети ФОРМАЛЬНЫЙ НЕЙРОН Элемент с пороговой логикой (TLU): преодоление порога -- 1, иначе -- 0.


Слайд 54

Нейронные сети РЕАЛЬНЫЙ НЕЙРОН


Слайд 55

Три типа нейронов: входные (рецепторы) -- активируются извне; внутренние (центральные) -- активируются входными и прочими нейронами и активируют входные и прочие нейроны; выходные (эффекторы) -- получают импульсы от центральных и входных нейронов и отвечают за выполнение действия. Теоретическая концепция искусственной сети Маккаллоха и Питтса


Слайд 56

Теоретическая концепция искусственной сети Маккаллоха и Питтса Правила функционирования сети: задержки в распространении активации одинаковы для всех нейронов сети; нейроны импульсируют не постоянно, а только в определенные моменты; каждый выходной синапс одного нейрона соответствует только одному входному синапсу следующего нейрона; на любом нейроне может сходиться несколько синапсов; входные синапсы вносят вклад в преодоление порога активации, при переходе через который (и только в этом случае) нейрон начинает передавать импульс.


Слайд 57

ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ Дональд Олдинг Хебб (1904-1985) Итог -- образование «нейронного ансамбля», который все быстрее активируется при каждом очередном повторении входа. Правило Хебба (1949): между одновременно активированными нейронами сети пороги синаптической связи снижаются.


Слайд 58

Развитие нейронных сетей Фрэнк Розенблатт (1928-1969), Корнельский университет, США -- перцептрон (1958)


Слайд 59

Развитие нейронных сетей Фрэнк Розенблатт (1928-1969), Корнельский университет, США 1962 -- «Принципы нейродинамики: перцептроны и теория мозговых механизмов»: интеграция данных компьютерного моделирования (включая перцептрон), нейрохирургии, регистрации активности отдельных нейронов и т.д.


Слайд 60

УПАДОК КОННЕКЦИОНИЗМА Критика перцептронов: математическое обоснование их неэффективности в решении задач распознавания образов (в ходе поэлементного анализа связанных и несвязанных изображений теряется информация о связанности, которую невозможно задать линейно). 1969 -- Марвин Минский, Сеймур Пейперт «Перцептроны»: приговор нейронным сетям?


Слайд 61

УПАДОК КОННЕКЦИОНИЗМА Проблема «исключающего ИЛИ» (XOR): (0;0) (1;1) -> 0 (0;1) (1;0) -> 1


Слайд 62

РЕНЕССАНС КОННЕКЦИОНИЗМА 1986 -- Дэвид Румельхарт (Стэнфорд), Джеймс Макклелланд (Карнеги-Меллон) «Параллельно-распределенная переработка» (PDP)


Слайд 63

АРХИТЕКТУРА НЕЙРОННОЙ СЕТИ


Слайд 64

Основные понятия: «Нейрон» (unit, node) -- элемент сети, который суммирует входные сигналы и, в случае превышения порога его активации, выдает выходной сигнал (1 или 0) , выполняющий функцию активации или торможения в соответствии с весовым коэффициентом связи между ним и последующими нейронами. Функция связи между элементами сети («синапса») -- умножение сигнала на весовой коэффициент. Порог -- весовой коэффициент, связанный с постоянным входным сигналом, равным 1.


Слайд 65

ВИДЫ АРХИТЕКТУР: Сеть прямого распространения Сеть обратного распространения (рекуррентная)


Слайд 66

ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ: «Обучение с наставником»: задачи распознавания (заранее известен правильный ответ -> сеть настраивается на выдачу ответов, максимально близких к нему). Алгоритм: обратное распространение ошибки (backpropagation) «Психологический механизм»: «Предвосхищение» (результат работы сети) «Истинное положение дел» (эталон)


Слайд 67

ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ: «Обучение с наставником»: задачи распознавания (заранее известен правильный ответ -> сеть настраивается на выдачу ответов, максимально близких к нему). «Обучение без наставника»: задачи классификации (правильный ответ неизвестен, но набор параметров относительно устойчив -> раскрытие внутренней структуры данных или связей между образцами). Смешанные формы обучения.


Слайд 68

ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ: Проблема устойчивости обучения: система обучения устойчива, если ни один из примеров обучающей выборки не изменит своей принадлежности к установленной категории после определенного числа итераций (повторных предъявлений). Феномен «переобученности» сети: хорошее функционирование на примерах обучающей выборки и плохое -- на сходных, но не идентичных тестовых примерах. СРАВНИМ: стадия дифференциации при выработке условного рефлекса (по данным лаборатории И.П. Павлова).


Слайд 69

«БИБЛИЯ КОННЕКЦИОНИЗМА» Организация памяти (Макклелланд, 1981): адресация по содержанию возможность «восстановления» информации: правило «щадящего разрушения» (graceful degradation)


Слайд 70

«БИБЛИЯ КОННЕКЦИОНИЗМА» Последующие разработки: формирование у нейронной сети «социальных стереотипов»


Слайд 71

«БИБЛИЯ КОННЕКЦИОНИЗМА» 1986 -- Дэвид Румельхарт, Джеймс Макклелланд to play -- played to help -- helped to kiss -- kissed to go -- went to jump -- jumped to shout -- shouted to go … wented! goed! Освоение языка -- ряд стадий, характерных для развития ребенка, в том числе стадия сверхобобщения (4-5 лет):


Слайд 72

ПРЕИМУЩЕСТВА СЕТЕВОЙ АРХИТЕКТУРЫ Возможность обучения Распределенное хранение информации ПРОБЛЕМЫ НЕЙРОСЕТЕВОГО ПОДХОДА Механизм или практический результат? Границы пластичности субстрата и «содержательная» специализация? Ограничения по типам решаемых задач


Слайд 73

Нейронные сети Символьные модели неявные правила, «интуитивные» задачи (индивидуальные знания): умозаключение по аналогии, выделение фигуры на фоне и т.п. явные правила, формализуемые задачи (культурно-обусловленные общедоступные знания): например, логические и математические задачи. СИМВОЛЬНЫЕ И НЕЙРОСЕТЕВЫЕ МОДЕЛИ: «СФЕРЫ ВЛИЯНИЯ» Задачи, требующие обучения. Задачи, требующие конечного набора знаний.


Слайд 74

Нейронные сети Символьные модели СИМВОЛЬНЫЕ И НЕЙРОСЕТЕВЫЕ МОДЕЛИ: «СФЕРЫ ВЛИЯНИЯ»


Слайд 75

Нейронная сеть распознавание образов, быстрые ответы на запросы сложной окружающей среды ВОЗМОЖНОСТИ ИНТЕГРАЦИИ НЕЙРОСЕТЕВОГО И СИМВОЛЬНОГО ПОДХОДОВ: ЭКСПЕРТНЫЕ СИСТЕМЫ Экспертная система принятие решений, логическая проверка выводов с учетом дополнительной информации


Слайд 76

ВОЗМОЖНОСТИ ИНТЕГРАЦИИ НЕЙРОСЕТЕВОГО И МОДУЛЬНОГО ПОДХОДОВ: ПРОБЛЕМА ВРОЖДЕННОГО И ПРИОБРЕТЕННОГО В ПОЗНАНИИ «Наследственность» нейронной сети: количество элементов количество слоев правила и параметры распространения активации и изменения весов в разных слоях Достаточно ли этого для развития форм познания, характерных для человека?


×

HTML:





Ссылка: