TechTalk: Wie verarbeitet das menschliche Gehirn Informationen? Eine Einfürhung in Cognitive Modeling in Python

Transcript

1. Wie verarbeitet das menschliche Gehirn Informationen? Eine Einführung in Cognitive Modeling in Python Nicolina Wenzler | cosee nicolina.wenzler@cosee.biz | @nic0lin4
3. Was unser Gehirn einfach so kann… Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.
4. Cognitive Science https://commons.wikimedia.org/w/index.php?curid=19473774
5. „A Model is a lie that helps to see the truth“ Howard Skipper
6. Drei Ebenen der mentalen Repräsentation (Marr, 1982) 1. Computational - Was ist die zu lösende Aufgabe bzw. das Problem? 2. Algorithmical - Wie kann das Ziel der ersten Ebene erreicht werden? Wie müssen Eingangs- und Ausgangsdaten verarbeitet werden, damit das Ziel erreicht wird? 3. Implemental - Wie wird das auf der biologischen Ebene realisiert? 
 compositional capture uncertainty
7. Bayes Theorem • Sum rule • Product rule
8. Vorgehen cognitive modeling 1. Fragestellung überlegen: Was möchte ich herausfinden?
9. Vorgehen cognitive modeling 1. Fragestellung überlegen: Was möchte ich herausfinden 2. Model definieren
10. Vorgehen cognitive modeling 1. Fragestellung überlegen: Was möchte ich herausfinden 2. Model definieren 3. Daten erheben. Sowohl mit einem Computer als auch mit Menschen
11. Vorgehen cognitive modeling 1. Fragestellung überlegen: Was möchte ich herausfinden 2. Model definieren 3. Daten erheben. Sowohl Computer als auch Mensch 4. Daten vergleichen
12. Vorgehen cognitive modeling 1. Fragestellung überlegen: Was möchte ich herausfinden 2. Model definieren 3. Daten erheben. Sowohl Computer als auch Mensch 4. Daten vergleichen 5. Model anpassen
13. Vorgehen anhand eines Beispiels Wann werden wir den aktuellen Scope umgesetzt haben? 1. Fragestellung überlegen: Was möchte ich herausfinden 2. Model definieren 3. Daten erheben. Sowohl Computer als auch Mensch 4. Daten vergleichen 5. Model anpassen
14. Vorgehen anhand eines Beispiels Wann werden wir den aktuellen Scope umgesetzt haben? Was sind die vermuteten Einflussfaktoren und in welcher Relation stehen sie zueinander? 1. Fragestellung überlegen: Was möchte ich herausfinden 2. Model definieren
 
 3. Daten erheben. Sowohl Computer als auch Mensch 4. Daten vergleichen 5. Model anpassen …
15. Modell std ~ Categorical(0.25, 0.25, 0.25, 0.25) points = 20 team_factor = 1.5 po ~ Bernoulli(0.7) sm ~ Bernoulli(0.5) po_factor = 0.8 if po else 1.2 sm_factor = 0.6 if sm else 1 mean = points * team_factor * po_factor * sm_factor days ~ Normal(mean, std)
16. Vorgehen anhand eines Beispiels Wann werden wir den aktuellen Scope umgesetzt haben? Was sind die vermuteten Einflussfaktoren und in welcher Relation stehen sie zueinander? Coding… 1. Fragestellung überlegen: Was möchte ich herausfinden 2. Model definieren
 
 3. Daten erheben. Sowohl Computer als auch Mensch 4. Daten vergleichen 5. Model anpassen …
17. Modell std ~ Categorical(0.25, 0.25, 0.25, 0.25) points = 20 team_factor ~ Uniform(1, 2) po ~ Bernoulli(0.7) sm ~ Bernoulli(0.5) po_factor = 0.8 if po else 1.2 sm_factor = 0.6 if sm else 1 mean = points * team_factor * po_factor * sm_factor days ~ Normal(mean, std)
18. Referenzen • Bishop, C. „Pattern recognition and machine learning“, Springer-Verlag New York, 2006 • D. Marr. Vision: a computational investigation into the human representation and processing of visual information. w. h. WH San Francisco: Freeman and Company, 1982.
19. Nächster Talk … Realtime Error Tracking 
 in Web-Apps <Tobias Lehwalder & Mohamad Ramadan/> Juni 2016 > blog.cosee.biz > talks.cosee.biz
20. Code import torch import pyro import pyro.distributions as dist # vacation std = pyro.sample('std', dist.Categorical(torch.Tensor([0.25, 0.25, 0.25, 0.25]))) print("std", std) points = 20 po = pyro.sample('po', dist.Bernoulli(torch.Tensor([0.7]))) sm = pyro.sample('sm', dist.Bernoulli(torch.Tensor([0.5]))) po_factor = 0.8 if po else 1.2 sm_factor = 0.6 if sm else 1 print("po", po_factor) print("sm", sm_factor) for i in range(9): team_factor = pyro.sample('team_factor', dist.Uniform(1, 2)) print("team_factor", team_factor) mean = points * team_factor * po_factor * sm_factor days = pyro.sample('days', dist.Normal(mean, std.float())) print(days)