纽约大学/Facebook人工智能研究院--2022春季最新课程【认知计算建模】Computational cognitive modeling（含ppt）

讲师：Brenden M. Lake

• 纽约大学心理学系和数据科学中心(联合)、计算机科学系和神经科学中心(附属)、纽约大学思想、大脑和机器计划(联合主任)、人机学习实验室、CILVR实验室(课题组)、心理学和数据科学助理教授
• Facebook的人工智能研究院科学家

课程简介：
本课程概述了用于理解人类智能和认知的主要计算框架。心理学家和数据科学家都在研究越来越多的人类行为数据。计算认知建模的目的是通过建立产生数据的认知过程的计算模型来理解行为数据以及心智和大脑。本课程介绍计算认知模型背后的目标、哲学和技术概念。

课程涵盖人工神经网络(深度学习)、强化学习、贝叶斯建模、模型比较和拟合、分类、概率图形模型和程序归纳。建模实例涵盖了广泛的心理能力，包括学习、分类、语言、记忆、决策和推理。家庭作业包括检查和实施在课堂上调查的模型。课程结束后，学生将更深入地理解计算建模如何推进认知科学，认知科学如何为机器学习和人工智能研究提供信息，以及如何适应和评估认知模型来理解行为数据。

课程需掌握的基础知识：

• 数学：我们将使用线性代数、微积分和概率的概念。如果你本科时学习过线性代数和微积分，或者你在心理学系学习过数学工具，那么你将处于学习这些材料的好位置。并熟悉概率知识。我们将回顾实验室中的一些基本技术概念。
• 编程:需要有Python编程经验。强烈推荐您以前使用Python的IN CLASS经验——假设您知道如何用Python编程。作业将使用Python 3和Jupyter笔记本(http://jupyter.org)

课程（持续更新）

• Introduction 【ppt】
• Neural networks / Deep learning (part 1)【ppt】
• Neural networks / Deep learning (part 2)【ppt】
• Reinforcement learning (part 1)【ppt】
• Reinforcement learning (part 2)【ppt】
• Reinforcement learning (part 3)【ppt】
• Bayesian modeling (part 1)【ppt】
• Bayesian modeling (part 2)
• Model comparison and fitting, tricks of the trade【ppt】
• Categorization 【ppt】
• Probabilistic Graphical models【ppt】
• Information sampling and active learning【ppt】
• Program induction and language of thought models【ppt】
• Computational Cognitive Neuroscience 【ppt】