認(rèn)知和行為的計算建模

定　價：￥128.00

作　者：	[英]西蒙·法雷爾 (Simon Farrell)，[英]史蒂芬·勒萬多夫斯基(Stephan Lewandowsky) 主編；伍海燕、劉泉影主譯
出版社：	清華大學(xué)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302571377	出版時間：	2021-08-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：	400	字?jǐn)?shù)：

內(nèi)容簡介

　　在《認(rèn)知和行為的計算建?！分刑岢隽艘惶自谛睦韺W(xué)中應(yīng)用計算和數(shù)學(xué)模型的綜合方法。主要目的是在理論、模擬和數(shù)據(jù)之間提供一個統(tǒng)一的視角，來回答“我們?nèi)绾螐男袨槟Ｐ椭蝎@取信息”的核心問題?！墩J(rèn)知和行為的計算建?！泛w了以下四個主題。部分解釋了什么是計算模型，全面概述了用于理解人類行為的模型，探討了如何將理論敘述轉(zhuǎn)化為模擬代碼，并闡述了理解建模所需的各種概念。第二部分探究了計算模型的一種應(yīng)用——參數(shù)估計。通過將模型擬合到數(shù)據(jù)，可以從所得的參數(shù)估計值以及有關(guān)生成這些數(shù)據(jù)的一種或多種心理機(jī)制或表征的敘述中進(jìn)行推斷。在這里介紹了似然估計和貝葉斯估計，包括跨多個被試估計和分層估計。第三部分探討了如何使用模型比較進(jìn)行推論，討論了從數(shù)據(jù)中得出充分性和必要性結(jié)論的條件，以及如何概念化和量化模型的復(fù)雜性。本部分探究了幾種解決模型比較復(fù)雜的方法，包括信息標(biāo)準(zhǔn)和貝葉斯因素。第四部分討論了計算建模在推進(jìn)心理學(xué)理論研究中的作用。探究了如何使用模型作為推理的輔助手段以及人類與人工智能之間的相互作用，以引導(dǎo)理論化和概念性見解的產(chǎn)生。以及計算模型如何作為一種用于研究者之間達(dá)成共識（即使用模型作為通用的參考術(shù)語）的工具，如何將其應(yīng)用于交流和共享模型。后，介紹了計算模型在神經(jīng)網(wǎng)絡(luò)模型、選擇反應(yīng)時間模型以及模型在理解神經(jīng)數(shù)據(jù)中的應(yīng)用。

作者簡介

　　伍海燕澳門大學(xué)腦中心課題組長，博士生導(dǎo)師。主要研究方向為社會認(rèn)知和決策中的計算神經(jīng)機(jī)制、焦慮與情緒加工、心理生理信號處理及其心理學(xué)應(yīng)用。曾任中國科學(xué)院心理所研究所副研究員，中國科學(xué)院大學(xué)心理系教師，并在加州理工學(xué)院擔(dān)任訪問研究人員?，F(xiàn)為中國認(rèn)知科學(xué)學(xué)會社會認(rèn)知科學(xué)分會理事，擔(dān)任Neuroscience bulletin、BMC Psychology等多個期刊的青年編委、國家自然科學(xué)基金委項目和廣東省基金項目評審專家。在神經(jīng)科學(xué)期刊和心理學(xué)期刊發(fā)表研究論文超過50篇。主持國家自然科學(xué)基金委項目2項；主持深港澳合作項目，廣東省自然科學(xué)基金項目和澳門科學(xué)技術(shù)發(fā)展基金等多項課題。劉泉影南方科技大學(xué)生物醫(yī)學(xué)工程系助理教授，博士生導(dǎo)師。在校期間組建神經(jīng)計算與控制實(shí)驗室（NCC lab）。研究領(lǐng)域：利用動力學(xué)系統(tǒng)模型和深度學(xué)習(xí)模型，研究神經(jīng)信號表征，探索大腦的計算機(jī)制，用于解釋神經(jīng)信號、大腦功能和行為三者之間的關(guān)系；結(jié)合現(xiàn)代控制理論，優(yōu)化神經(jīng)反饋控制，用于調(diào)節(jié)人類行為、輔助治療神經(jīng)相關(guān)疾病。

圖書目錄

部分　數(shù)學(xué)建模的簡介
1　導(dǎo)論// (2)
1.1　科學(xué)中的模型和理論 // (2)
1.2　認(rèn)知中的定量建模 // (5)
1.2.1　模型和數(shù)據(jù) // (5)
1.2.2　數(shù)據(jù)描述 // (7)
1.2.3　認(rèn)知過程模型// (10)
1.3　潛在的問題: 范圍和可證偽性 // (14)
1.4　建模作為一種對科學(xué)家的認(rèn)知輔助 // (16)
1.5　實(shí)例 // (17)
2　從文字描述到數(shù)學(xué)模型: 建立工具集 // (19)
2.1　快速選擇任務(wù)中的反應(yīng)時間 // (19)
2.2　展開模擬 // (21)
2.2.1　初步了解: R 和 RStudio // (21)
2.2.2　隨機(jī)游走模型// (21)
2.2.3　直覺與計算: 探索隨機(jī)游走的預(yù)測 // (25)
2.2.4　隨機(jī)游走模型中的試次間的變異性 // (26)
2.2.5　順序采樣模型家族 // (30)
2.3　基礎(chǔ)工具包 // (31)
2.3.1　參數(shù) // (31)
2.3.2　連接模型和數(shù)據(jù)// (32)
2.4　實(shí)例 // (33)
第二部分　參數(shù)估計
3　基本參數(shù)估計技術(shù) // (38)
3.1　差異函數(shù) // (38)
3.1.1　均方根誤差 // (39)
　　　　 3.1.2　卡方檢驗法 (χ2 ) // (40)
3.2　模型與數(shù)據(jù)的擬合: 參數(shù)估計技術(shù) // (40)
3.3　在線性回歸模型背景下介紹小二乘法 // (41)
3.3.1　建模的可視化// (41)
3.3.2　回歸參數(shù)估計// (43)
3.4　黑箱內(nèi)部: 參數(shù)估計技術(shù) // (46)
3.4.1　單純形法 // (46)
3.4.2　模擬退火法 // (49)
3.4.3　參數(shù)估計技術(shù)的相對優(yōu)點(diǎn) // (52)
3.5　參數(shù)估計的變異性 (variability) // (53)
3.6　實(shí)例 // (57)
4　似然參數(shù)估計 // (59)
4.1　概率基礎(chǔ) // (59)
4.1.1　概率的定義 // (59)
4.1.2　概率的特性 // (60)
4.1.3　概率函數(shù) // (61)
4.2　什么是似然 (likelihood) // (65)
4.3　定義概率分布 // (69)
4.3.1　由心理模型所指定的概率函數(shù)// (70)
4.3.2　基于數(shù)據(jù)模型的概率函數(shù) // (70)
4.3.3　概率函數(shù)的兩種類型 // (74)
4.3.4　擴(kuò)展數(shù)據(jù)模型// (75)
4.3.5　擴(kuò)展到多個數(shù)據(jù)點(diǎn)和多個參數(shù)// (76)
4.4　尋找似然 // (77)
4.5　似然估計量的性質(zhì) // (83)
4.6　實(shí)例 // (85)
5　結(jié)合來自多個被試的信息 // (87)
5.1　如何結(jié)合來自多個單元的數(shù)據(jù)很重要 // (87)
5.2　平均值的含義 // (88)
5.3　擬合匯總數(shù)據(jù) // (90)
5.4　擬合個體被試 // (92)
5.5　擬合子組中的數(shù)據(jù)以及個體差異 // (93)
5.5.1　混合模型 // (93)
5.5.2　 k 均值聚類// (98)
5.5.3　對個體差異建模 // (100)
5.6　實(shí)例 // (102)
對多個被試使用多種方法 // (102)
6　貝葉斯參數(shù)估計Ⅰ// (105)
6.1　什么是貝葉斯推理 // (105)
6.1.1　從條件概率到貝葉斯定理 // (105)
6.1.2　邊際概率 (Marginalizing　 Probabilities) // (107)
6.2　計算后驗的解析方法 // (108)
6.2.1　似然函數(shù) // (108)
6.2.2　先驗分布 // (109)
6.2.3　證據(jù)或邊際似然 // (111)
6.2.4　后驗分布 // (112)
6.2.5　估計硬幣的偏差 // (113)
6.2.6　總結(jié)// (115)
6.3　確定參數(shù)的先驗分布 // (115)
6.3.1　無信息先驗分布 // (116)
6.3.2　參考先驗 // (118)
6.4　實(shí)例 // (119)
7　貝葉斯參數(shù)估計Ⅱ// (121)
7.1　馬爾可夫鏈蒙特卡洛法 (Markov Chain Monte Carlo Methods) // (122)
7.1.1　 MCMC 的 Metropolis-Hastings 算法 // (122)
7.1.2　多參數(shù)估計 // (128)
7.2　與 MCMC 采樣相關(guān)的問題 // (134)
7.2.1　 MCMC 鏈的收斂 // (134)
7.2.2　 MCMC 鏈中的自相關(guān)// (135)
7.2.3　展望// (136)
7.3　近似貝葉斯計算: 無似然法 // (136)
7.3.1　無法計算的似然度 // (136)
7.3.2　從模擬到后驗估計 // (137)
7.3.3　范例: 近似貝葉斯計算的實(shí)際運(yùn)用 // (139)
7.4　實(shí)例 // (142)
MCMC: 一個找到結(jié)果的聰明辦法// (142)
8　貝葉斯參數(shù)估計———JAGS 語言 // (144)
8.1　吉布斯采樣 // (144)
8.1.1　吉布斯采樣的雙變量示例 // (144)
8.1.2　吉布斯采樣 vs.Metropolis-Hastings 采樣 // (147)
8.1.3　多元空間的吉布斯采樣// (148)
8.2　 JAGS: 簡介 // (148)
8.2.1　安裝 JAGS // (148)
8.2.2　 JAGS 圖 // (148)
8.3　 JAGS: 重新探究一些已知模型并突破邊界 // (152)
　　　　8.3.1　信號檢測理論的貝葉斯建模 // (152)
8.3.2　多項式樹模型的貝葉斯方法: 高閾值模型 // (157)
8.3.3　多項樹模型的貝葉斯方法 // (161)
8.3.4　總結(jié)// (167)
8.4　實(shí)例 // (167)
9　多層級建模或分層建模 (Multilevel or Hierarchical Modeling ) // (171)
9.1　分層建模的概念化 // (171)
9.2　貝葉斯分層建模 (Bayesian Hierarchical Modeling) // (172)
9.2.1　圖模型 (Graphical Models ) // (172)
9.2.2　信號檢測任務(wù)結(jié)果表現(xiàn)的分層建模 // (174)
9.2.3　遺忘的分層建模 // (178)
9.2.4　跨期偏好的分層建模// (184)
9.2.5　當(dāng)前主觀價值 (Present Subjective Value, PSV) 的計算 // (185)
9.2.6　當(dāng)前主觀價值 (PSV) 的選擇 // (185)
9.2.7　實(shí)例化模型 // (185)
9.2.8　模型輸出 // (190)
9.2.9　總結(jié)// (191)
9.3　分層似然建模 // (192)
9.3.1　信號檢測任務(wù)的分層似然建模 // (192)
9.3.2　回歸項中的信號檢測// (193)
9.3.3　 R 語言中的分層概率回歸 // (194)
9.3.4　信號檢測中似然與貝葉斯分層模型對信號檢測的對比 // (197)
9.4　一些建議 // (197)
9.5　實(shí)例 // (198)
第三部分　模型比較
10　模型比較 // (202)
10.1　心理學(xué)數(shù)據(jù)和糟糕的完美擬合 // (202)
模型復(fù)雜度與過擬合 // (204)
10.2　模型比較 // (208)
10.3　似然比檢驗 // (208)
10.4　赤池信息量準(zhǔn)則 (Akaike??s Information Criterion) // (215)
10.5　計算復(fù)雜度和比較模型的其他方法 // (219)
10.5.1　交叉驗證 (Cross-Validation) // (220)
10.5.2　小描述長度 (Minimum Description Length) // (220)
10.5.3　歸一化似然 (Normalized Maximum Likelihood) // (221)
10.6　參數(shù)可識別性和模型可測試性 // (221)
　10.6.1　可識別性 // (222)
10.6.2　可測試性 // (225)
10.7　總結(jié) // (226)
10.8　實(shí)例 // (227)
11　使用貝葉斯因子的貝葉斯模型比較 // (229)
11.1　邊緣似然與貝葉斯因子 // (229)
11.2　計算邊緣似然的方法 // (233)
11.2.1　數(shù)值積分 // (233)
11.2.2　簡單蒙特卡羅積分與重要性采樣 // (235)
11.2.3　 Savage-Dickey 比 // (239)
11.2.4　跨維馬爾可夫鏈蒙特卡羅方法// (241)
11.2.5　拉普拉斯估計// (248)
11.2.6　貝葉斯信息量準(zhǔn)則 // (250)
11.3　分層模型的貝葉斯因子 // (253)
11.4　先驗的重要性 // (255)
11.5　結(jié)論 // (258)
11.6　實(shí)例 // (258)
12　模型在心理學(xué)中的使用 // (261)
12.1　建模步驟概述 // (261)
12.2　從模型中得出結(jié)論 // (262)
12.2.1　模型探索 // (262)
12.2.2　分析模型 // (263)
12.2.3　從參數(shù)估計中學(xué)習(xí) // (265)
12.2.4　模型的充分性// (265)
12.2.5　模型的必要性// (267)
12.2.6　似真性//逼真度對比真理 // (271)
12.3　模型作為交流和達(dá)成共同理解共識的工具 // (272)
12.4　增強(qiáng)理解和重復(fù)性的良好做法 // (274)
12.4.1　盡可能使用純文本 // (274)
12.4.2　使用合理的變量和函數(shù)名 // (274)
12.4.3　使用調(diào)試器// (275)
12.4.4　注釋 // (275)
12.4.5　版本控制 // (276)
12.4.6　共享代碼和可重復(fù)性 // (276)
12.4.7　 Notebooks 和其他工具 // (277)
12.4.8　提高可重復(fù)性和運(yùn)行性 // (278)
12.5　總結(jié) // (279)
12.6　實(shí)例 // (279)
13　神經(jīng)網(wǎng)絡(luò)模型 // (281)
13.1　赫布模型 (Hebbian Model) // (281)
13.1.1　赫布聯(lián)想器 (The Hebbian Associator) // (281)
13.1.2　赫布模型作為矩陣代數(shù) // (285)
13.1.3　使用矩陣代數(shù)描述網(wǎng)絡(luò) // (293)
13.1.4　自動關(guān)聯(lián)器 (The Auto-Associator) // (294)
13.1.5　赫布模型的局限性 // (300)
13.2　反向傳播 (Backpropagation) // (301)
13.2.1　學(xué)習(xí)以及誤差驅(qū)動的反向傳播// (304)
13.2.2　心理學(xué)中反向傳播的應(yīng)用與批判 // (308)
13.3　對于神經(jīng)網(wǎng)絡(luò)的后評論 // (308)
13.4 實(shí)例 // (309)
14　選擇反應(yīng)時的模型 // (312)
14.1　 Ratcliff 提出的擴(kuò)散模型 // (313)
14.1.1　擴(kuò)散模型的擬合 // (314)
14.1.2　解釋擴(kuò)散模型// (325)
14.1.3　擴(kuò)散模型的可證偽性 // (326)
14.2　彈道累加器模型 (LBA 模型) // (327)
14.2.1　線性彈道累加器 // (328)
14.2.2　 LBA 的擬合// (329)
14.3　總結(jié) // (332)
14.4　當(dāng)前問題和展望 // (333)
14.5　實(shí)例 // (333)
15　神經(jīng)科學(xué)中的模型 // (336)
15.1　關(guān)聯(lián)神經(jīng)和行為數(shù)據(jù)的方法 // (337)
15.2　強(qiáng)化學(xué)習(xí)模型 // (338)
15.2.1　強(qiáng)化學(xué)習(xí)的理論 // (338)
15.2.2　強(qiáng)化學(xué)習(xí)的神經(jīng)科學(xué) // (344)
15.3　決策的神經(jīng)關(guān)聯(lián) // (349)
15.3.1　眼跳決策的閾值模型 // (349)
15.3.2　模型參數(shù)和 BOLD 信號的聯(lián)系// (350)
15.3.3　反應(yīng)時變異性的解釋 // (352)
15.3.4　使用脈沖序列作為模型輸入// (353)
15.3.5　聯(lián)合擬合行為和神經(jīng)數(shù)據(jù) // (354)
15.4　結(jié)論 // (357)
15.5　實(shí)例 // (357)
原著參考文獻(xiàn) // (360)