認知和行為的計算建模

部分　數(shù)學建模的簡介
1　 導論// (2)
1.1　 科學中的模型和理論 // (2)
1.2　 認知中的定量建模 // (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家的認知輔助 // (16)
1.5　 實例 // (17)
2　 從文字描述到數(shù)學模型: 建立工具集 // (19)
2.1　 快速選擇任務中的反應時間 // (19)
2.2　 展開模擬 // (21)
2.2.1　 初步了解: R 和 RStudio // (21)
2.2.2　 隨機游走模型// (21)
2.2.3　 直覺與計算: 探索隨機游走的預測 // (25)
2.2.4　 隨機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　 實例 // (33)
第二部分　參數(shù)估計
3　 基本參數(shù)估計技術 // (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 // (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 // (46)
3.4.1　 單純形法 // (46)
3.4.2　 模擬退火法 // (49)
3.4.3　 參數(shù)估計技術的相對優(yōu)點 // (52)
3.5　 參數(shù)估計的變異性 (variability) // (53)
3.6　 實例 // (57)
4　 似然參數(shù)估計 // (59)
4.1　 概率基礎 // (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　 擴展數(shù)據(jù)模型// (75)
4.3.5　 擴展到多個數(shù)據(jù)點和多個參數(shù)// (76)
4.4　 尋找似然 // (77)
4.5　 似然估計量的性質(zhì) // (83)
4.6　 實例 // (85)
5　 結合來自多個被試的信息 // (87)
5.1　 如何結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// (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 采樣相關的問題 // (134)
7.2.1　 MCMC 鏈的收斂 // (134)
7.2.2　 MCMC 鏈中的自相關// (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際運用 // (139)
7.4　 實例 // (142)
MCMC: 一個找到結果的聰明辦法// (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// (167)
8.4　 實例 // (167)
9　 多層級建?；蚍謱咏?(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　 信號檢測任務結果表現(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　 當前主觀價值 (Present Subjective Value, PSV) 的計算 // (185)
9.2.6　 當前主觀價值 (PSV) 的選擇 // (185)
9.2.7　 實例化模型 // (185)
9.2.8　 模型輸出 // (190)
9.2.9　 總結// (191)
9.3　 分層似然建模 // (192)
9.3.1　 信號檢測任務的分層似然建模 // (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　 實例 // (198)
第三部分　模型比較
10　 模型比較 // (202)
10.1　 心理學數(shù)據(jù)和糟糕的完美擬合 // (202)
模型復雜度與過擬合 // (204)
10.2　 模型比較 // (208)
10.3　 似然比檢驗 // (208)
10.4　 赤池信息量準則 (Akaike??s Information Criterion) // (215)
10.5　 計算復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 // (226)
10.8　 實例 // (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　 結論 // (258)
11.6　 實例 // (258)
12　 模型在心理學中的使用 // (261)
12.1　 建模步驟概述 // (261)
12.2　 從模型中得出結論 // (262)
12.2.1　 模型探索 // (262)
12.2.2　 分析模型 // (263)
12.2.3　 從參數(shù)估計中學習 // (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　 模型作為交流和達成共同理解共識的工具 // (272)
12.4　 增強理解和重復性的良好做法 // (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　 共享代碼和可重復性 // (276)
12.4.7　 Notebooks 和其他工具 // (277)
12.4.8　 提高可重復性和運行性 // (278)
12.5　 總結 // (279)
12.6　 實例 // (279)
13　 神經(jīng)網(wǎng)絡模型 // (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 // (293)
13.1.4　 自動關聯(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　 學習以及誤差驅(qū)動的反向傳播// (304)
13.2.2　 心理學中反向傳播的應用與批判 // (308)
13.3　 對于神經(jīng)網(wǎng)絡的后評論 // (308)
13.4 實例 // (309)
14　 選擇反應時的模型 // (312)
14.1　 Ratcliff 提出的擴散模型 // (313)
14.1.1　 擴散模型的擬合 // (314)
14.1.2　 解釋擴散模型// (325)
14.1.3　 擴散模型的可證偽性 // (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 // (332)
14.4　 當前問題和展望 // (333)
14.5　 實例 // (333)
15　 神經(jīng)科學中的模型 // (336)
15.1　 關聯(lián)神經(jīng)和行為數(shù)據(jù)的方法 // (337)
15.2　 強化學習模型 // (338)
15.2.1　 強化學習的理論 // (338)
15.2.2　 強化學習的神經(jīng)科學 // (344)
15.3　 決策的神經(jīng)關聯(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　 結論 // (357)
15.5　 實例 // (357)
原著參考文獻 // (360)