In diesem Seminar werden wir zunächst die wichtigsten kognitive Architekturen (ACT-R, SOAR, CLARION, ...) betrachten, die den Anspruch haben, nicht nur die biologischen Eigenschaften des Gehirns nachzubilden sondern ein Bild davon zu geben, wie die kognitiven Fähigkeiten des Menschen zustande kommen. Dann wenden wir uns modernen probabilistischen Ansätzen zur Modellierung spezifischer kognitiver Mechanismen zu.
Die Modellierung kognitiver Mechanismen mittels probabilistischer Methoden kann nach (Griffiths et al., 2010) als top-down Ansatz betrachtet werden: Spezifische kognitive Prozesse werden durch wahrscheinlichkeitsbasierte Algorithmen modelliert, im Gegensatz zu Ansätzen in denen sich bottom-up auf die neuronalen Verarbeitungsprozesse konzentriert wird, aus denen dann Verhalten hervorgeht (McClelland et al., 2010). Beispiele für kognitive Prozesse sind das Lernen von Kategorien, die Segmentierung von gesprochener Sprache oder die Erkennung von Objekten beim Bildverstehen.
Grundlage des probabilistischen Ansatzes bilden Hypothesen über das Zustandekommen von beobachtbaren Daten, wie die verschiedenen Hypothesen in Zusammenhang stehen und einer initialen Wahrscheinlichkeitsverteilung über diese Hypothesen (der sog. a-priori Wahrscheinlichkeit). Ein großer Vorteil probabilistischer Methoden ist, dass sie unabhängig von der zugrundeliegenden Repräsentation der Daten sind. Dadurch können sie sowohl auf neuronale Netzen als auch symbolische Ansätze abgebildet werden (Griffiths et al., 2010).
Teilnehmende erarbeiten ggf. in Kleingruppen Themen, präsentieren diese im Rahmen eines Vortrags und geben z. B. praktische Beispiele für die verschiedenen Ansätze und Mechanismen. Für den Erhalt der 4, bzw. 5, LPs wird das Thema zusätzlich in Form einer schriftlichen Ausarbeitung aufbereitet.
Griffiths, T. L., Chater, N., Kemp, C., Perfors, A., & Tenenbaum, J. B. (2010). Probabilistic models of cognition: exploring representations and inductive biases. Trends in cognitive sciences, 14(8), 357-364.
McClelland, J. L., Botvinick, M. M., Noelle, D. C., Plaut, D. C., Rogers, T. T., Seidenberg, M. S., & Smith, L. B. (2010). Letting structure emerge: connectionist and dynamical systems approaches to cognition. Trends in cognitive sciences, 14(8), 348-356.
Rhythmus | Tag | Uhrzeit | Format / Ort | Zeitraum |
---|
Modul | Veranstaltung | Leistungen | |
---|---|---|---|
39-Inf-KMI Kognitive Mechanismen sozialer Interaktion | Kognitive Mechanismen sozialer Interaktion | benotete Prüfungsleistung
|
Studieninformation |
39-M-Inf-VKI Vertiefung Künstliche Intelligenz | Spezielle Themen der Künstlichen Intelligenz | benotete Prüfungsleistung
|
Studieninformation |
Die verbindlichen Modulbeschreibungen enthalten weitere Informationen, auch zu den "Leistungen" und ihren Anforderungen. Sind mehrere "Leistungsformen" möglich, entscheiden die jeweiligen Lehrenden darüber.