MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience

MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者:
出版社: JohnWiley&Sons
2009-03
ISBN: 9781405122887
定价: 448.20
装帧: 平装
页数: 336页
正文语种: 英语
  • Memory and the Computational Brain offers a provocative argument that goes to the heart of neuroscience, proposing that the field can and should benefit from the recent advances of cognitive science and the development of information theory over the course of the last several decades.? A provocative argument that impacts across the fields of linguistics, cognitive science, and neuroscience, suggesting new perspectives on learning mechanisms in the brainProposes that the field of neuroscience can and should benefit from the recent advances of cognitive science and the development of information theorySuggests that the architecture of the brain is structured precisely for learning and for memory, and integrates the concept of an addressable read/write memory mechanism into the foundations of neuroscienceBased on lectures in the prestigious Blackwell–Maryland Lectures in Language and Cognition, and now significantly reworked and expanded to make it ideal for students and faculty C. R. Gallistel is Co–Director of the Rutgers Center for Cognitive Science. He is one of the foremost psychologists working on the foundations of cognitive neuroscience. His publications include The Symbolic Foundations of Conditional Behavior (2002), and The Organization of Learning (1990). Adam Philip?King is Assistant Professor of Mathematics at Fairfield University. Preface.  1. Information.  Shannons Theory of Communication.  Measuring Information.  Efficient Coding.  Information and the Brain.  Digital and Analog Signals.  Appendix: The Information Content of Rare Versus Common Events and Signals.  2. Bayesian Updating.  Bayes Theorem and Our Intuitions About Evidence.  Using Bayes Rule.  Summary.  3. Functions.  Functions of One Argument.  Composition and Decomposition of Functions.  Functions of More than One Argument.  The Limits to Functional Decomposition.  Functions Can Map to Multi-Part Outputs.  Mapping to Multiple-Element Outputs Does Not Increase Expressive Power.  Defining Particular Functions.  Summary: Physical/Neurobiological Implications of Facts about Functions.  4. Representations.  Some Simple Examples.  Notation.  The Algebraic Representation of Geometry.  5. Symbols.  Physical Properties of Good Symbols.  Symbol Taxonomy.  Summary.  6. Procedures.  Algorithms.  Procedures, Computation, and Symbols.  Coding and Procedures.  Two Senses of Knowing.  A Geometric Example.  7. Computation.  Formalizing Procedures.  The Turing Machine.  Turing Machine for the Successor Function.  Turing Machines for? is _even  Turing Machines for '+  Minimal Memory Structure.  General Purpose Computer.  Summary.  8. Architectures.  One-Dimensional Look-Up Tables (If-Then Implementation).  Adding State Memory: Finite-State Machines.  Adding Register Memory.  Summary.  9. Data Structures.  Finding Information in Memory.  An Illustrative Example.  Procedures and the Coding of Data Structures.  The Structure of the Read-Only Biological Memory.  10. Computing with Neurons.  Transducers and Conductors.  Synapses and the Logic Gates.  The Slowness of It All.  The Time-Scale Problem.  Synaptic Plasticity.  Recurrent Loops in Which Activity Reverberates.  11. The Nature of Learning.  Learning As Rewiring.  Synaptic Plasticity and the Associative Theory of Learning.  Why Associations Are Not Symbols.  Distributed Coding.  Learning As the Extraction and Preservation of Useful Information.  Updating an Estimate of Ones Location.  12. Learning Time and Space.  Computational Accessibility.  Learning the Time of Day.  Learning Durations.  Episodic Memory.  13. The Modularity of Learning.  Example 1: Path Integration.  Example 2: Learning the Solar Ephemeris.  Example 3: Associative Learning.  Summary.  14. Dead Reckoning in a Neural Network.  Reverberating Circuits as Read/Write Memory Mechanisms.  Implementing Combinatorial Operations by Table-Look-Up.  The Full Model.  The Ontogeny of the Connections?  How Realistic is the Model?  Lessons to be Drawn.  Summary.  15. Neural Models of Interval Timing.  Timing an Interval on First Encounter.  Dworkins Paradox.  Neurally Inspired Models.  The Deeper Problems.  16. The Molecular Basis of Memory.  The Need to Separate Theory of Memory from Theory of Learning.  The Coding Question.  A Cautionary Tale.  Why Not Synaptic Conductance?  A Molecular or Sub-Molecular Mechanism?  Bringing the Data to the Computational Machinery.  Is It Universal?  References.  Glossary.  Index.
  • 内容简介:
    Memory and the Computational Brain offers a provocative argument that goes to the heart of neuroscience, proposing that the field can and should benefit from the recent advances of cognitive science and the development of information theory over the course of the last several decades.? A provocative argument that impacts across the fields of linguistics, cognitive science, and neuroscience, suggesting new perspectives on learning mechanisms in the brainProposes that the field of neuroscience can and should benefit from the recent advances of cognitive science and the development of information theorySuggests that the architecture of the brain is structured precisely for learning and for memory, and integrates the concept of an addressable read/write memory mechanism into the foundations of neuroscienceBased on lectures in the prestigious Blackwell–Maryland Lectures in Language and Cognition, and now significantly reworked and expanded to make it ideal for students and faculty
  • 作者简介:
    C. R. Gallistel is Co–Director of the Rutgers Center for Cognitive Science. He is one of the foremost psychologists working on the foundations of cognitive neuroscience. His publications include The Symbolic Foundations of Conditional Behavior (2002), and The Organization of Learning (1990). Adam Philip?King is Assistant Professor of Mathematics at Fairfield University.
  • 目录:
    Preface.  1. Information.  Shannons Theory of Communication.  Measuring Information.  Efficient Coding.  Information and the Brain.  Digital and Analog Signals.  Appendix: The Information Content of Rare Versus Common Events and Signals.  2. Bayesian Updating.  Bayes Theorem and Our Intuitions About Evidence.  Using Bayes Rule.  Summary.  3. Functions.  Functions of One Argument.  Composition and Decomposition of Functions.  Functions of More than One Argument.  The Limits to Functional Decomposition.  Functions Can Map to Multi-Part Outputs.  Mapping to Multiple-Element Outputs Does Not Increase Expressive Power.  Defining Particular Functions.  Summary: Physical/Neurobiological Implications of Facts about Functions.  4. Representations.  Some Simple Examples.  Notation.  The Algebraic Representation of Geometry.  5. Symbols.  Physical Properties of Good Symbols.  Symbol Taxonomy.  Summary.  6. Procedures.  Algorithms.  Procedures, Computation, and Symbols.  Coding and Procedures.  Two Senses of Knowing.  A Geometric Example.  7. Computation.  Formalizing Procedures.  The Turing Machine.  Turing Machine for the Successor Function.  Turing Machines for? is _even  Turing Machines for '+  Minimal Memory Structure.  General Purpose Computer.  Summary.  8. Architectures.  One-Dimensional Look-Up Tables (If-Then Implementation).  Adding State Memory: Finite-State Machines.  Adding Register Memory.  Summary.  9. Data Structures.  Finding Information in Memory.  An Illustrative Example.  Procedures and the Coding of Data Structures.  The Structure of the Read-Only Biological Memory.  10. Computing with Neurons.  Transducers and Conductors.  Synapses and the Logic Gates.  The Slowness of It All.  The Time-Scale Problem.  Synaptic Plasticity.  Recurrent Loops in Which Activity Reverberates.  11. The Nature of Learning.  Learning As Rewiring.  Synaptic Plasticity and the Associative Theory of Learning.  Why Associations Are Not Symbols.  Distributed Coding.  Learning As the Extraction and Preservation of Useful Information.  Updating an Estimate of Ones Location.  12. Learning Time and Space.  Computational Accessibility.  Learning the Time of Day.  Learning Durations.  Episodic Memory.  13. The Modularity of Learning.  Example 1: Path Integration.  Example 2: Learning the Solar Ephemeris.  Example 3: Associative Learning.  Summary.  14. Dead Reckoning in a Neural Network.  Reverberating Circuits as Read/Write Memory Mechanisms.  Implementing Combinatorial Operations by Table-Look-Up.  The Full Model.  The Ontogeny of the Connections?  How Realistic is the Model?  Lessons to be Drawn.  Summary.  15. Neural Models of Interval Timing.  Timing an Interval on First Encounter.  Dworkins Paradox.  Neurally Inspired Models.  The Deeper Problems.  16. The Molecular Basis of Memory.  The Need to Separate Theory of Memory from Theory of Learning.  The Coding Question.  A Cautionary Tale.  Why Not Synaptic Conductance?  A Molecular or Sub-Molecular Mechanism?  Bringing the Data to the Computational Machinery.  Is It Universal?  References.  Glossary.  Index.
查看详情
您可能感兴趣 / 更多
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
基于物理的建模与动画
C. 著;[美]Donald、H.、House(唐纳德・豪斯)、John、叶劲峰 译
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
健身与生活全彩图解第6版
C. 著;查尔斯、B.、科尔宾(Charles B.Corbin)、盖伊、田亨、曹维 译
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
SOLIDWORKS2018经典教程实体建模通识
C. 著;[美]威廉·E.霍华德(William、E.、Howard、[美]约瑟夫·C.马斯托(Joseph、张磊 译
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
纳尼亚传奇·魔法师的外甥(翻译界“绝代双骄”贾氏兄弟经典全译本,赠英文原著电子书)
C. S. 刘易斯 著;贾文浩 贾文渊 译;小当当童书馆 出品
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
纳尼亚传奇·凯斯宾王子(翻译界“绝代双骄”贾氏兄弟经典全译本,赠英文原著电子书)
C. S. 刘易斯 著;贾文浩 贾文渊 译;小当当童书馆 出品
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
纳尼亚传奇·银椅(翻译界“绝代双骄”贾氏兄弟经典全译本,赠英文原著电子书)
C. S. 刘易斯 著;贾文浩 贾文渊 译;小当当童书馆 出品
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
纳尼亚传奇·黎明踏浪号(翻译界“绝代双骄”贾氏兄弟经典全译本,赠英文原著电子书)
C. S. 刘易斯 著;贾文浩 贾文渊 译;小当当童书馆 出品
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
纳尼亚传奇·狮子、女巫与魔衣柜(翻译界“绝代双骄”贾氏兄弟经典全译本,赠英文原著电子书)
C. S. 刘易斯 著;贾文浩 贾文渊 译;小当当童书馆 出品
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
纳尼亚传奇·能言马与男孩(翻译界“绝代双骄”贾氏兄弟经典全译本,赠英文原著电子书)
C. S. 刘易斯 著;贾文浩 贾文渊 译;小当当童书馆 出品
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
纳尼亚传奇·最后一战(翻译界“绝代双骄”贾氏兄弟经典全译本,赠英文原著电子书)
C. S. 刘易斯 著;贾文浩 贾文渊 译;张荣梅 策划;小当当童书馆 出品
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
Frida Kahlo - Making Her Self Up
C. Wilcox and C. Henestrosa
MemoryandtheComputationalBrain:WhyCognitiveSciencewillTransformNeuroscience
Repair:Poems
C. K. Williams