Product Design, Manufacturing & Innovation Resources
Hogar » Modelos bayesianos de cognición

Modelos bayesianos de cognición

2000
  • Thomas Bayes
  • Joshua Tenenbaum
  • Thomas Griffiths
Laboratorio de investigación en psicología cognitiva con análisis de modelos bayesianos.

(Imagen generada únicamente con fines ilustrativos)

Los modelos bayesianos de cognición enmarcan la mente como un motor de inferencia probabilística. Este enfoque postula que el cerebro representa el conocimiento como distribuciones de probabilidad y actualiza estas creencias al recibir nuevas pruebas según el teorema de Bayes. Modela la percepción, el aprendizaje y el razonamiento como una inferencia estadística óptima o casi óptima en condiciones de incertidumbre, proporcionando un modelo matemático unificador. estructura para muchas funciones cognitivas.

El núcleo de este enfoque es la regla de Bayes: [latex]P(H|D) = frac{P(D|H)P(H)}{P(D)}[/latex], donde [latex]H[/latex] es una hipótesis y [latex]D[/latex] son ​​los datos observados. La probabilidad posterior [latex]P(H|D)[/latex] (creencia en la hipótesis tras observar los datos) es proporcional al producto de la verosimilitud [latex]P(D|H)[/latex] (qué tan bien explica la hipótesis los datos) y la probabilidad previa [latex]P(H)[/latex] (creencia inicial en la hipótesis). Este marco proporciona un estándar normativo sobre cómo un agente racional debería actualizar sus creencias.

In cognitive science, this is applied by assuming that the mind implicitly performs these calculations. For example, in perception, the brain combines noisy sensory input (the data) with prior knowledge about the world to form a stable percept (the posterior). This can explain many visual illusions, where prior expectations override sensory data. In language learning, a child might use Bayesian inference to figure out the meaning of a new word by considering which potential meaning best explains the contexts in which the word was used. The approach is powerful because it provides a unifying mathematical framework for diverse cognitive phenomena and connects cognition directly to statistics and machine learning.

UNESCO Nomenclature: 6105
- Psicología experimental

Tipo

Sistema abstracto

Ruptura

Sustancial

Uso

Tecnología emergente

Precursores

  • Bayes’ theorem by Thomas Bayes and Pierre-Simon Laplace
  • teoría de la probabilidad
  • information theory by Claude Shannon
  • signal detection theory in psychology

Aplicaciones

  • modeling visual perception and illusions
  • theories of language acquisition and word learning
  • models of causal reasoning and decision-making
  • computational neuroscience
  • machine learning algorithms like Bayesian networks and Kalman filters

Patentes:

NA

Ideas para posibles innovaciones

Debido al bloqueo del tráfico generado por bots, que actualmente supera los 40.000 al día, este contenido está reservado para los miembros de la comunidad.
> Iniciar sesión < o > Registrarse < (100% gratis) para acceder a esto, al igual que a todo el demás contenido y herramientas restringidos.

Relacionado con: Cognición bayesiana, modelos probabilísticos, teorema de Bayes, modelización computacional, ciencia cognitiva, inferencia estadística, incertidumbre, probabilidad a priori, probabilidad a posteriori, Joshua Tenenbaum.

Contexto histórico

1941
1986
1990
2000
1950
1990
1990

(Si la fecha es desconocida o no es relevante, por ejemplo "mecánica de fluidos", se proporciona una estimación redondeada de su aparición notable)

Invención, innovación y principios técnicos relacionados.

Las imágenes a tamaño completo y las descargas sólo están disponibles, 100% gratis, para los miembros registrados.

> Acceso <