ﻣﺪل ﺳﺎزي ﺷﻨﺎﺧﺘﯽ، ﯾﮑﯽ از رﺷﺘﻪ ﻫﺎي ﻣﺠﻤﻮﻋﻪ ﻋﻠﻮم ﺷﻨﺎﺧﺘﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﺷﻨﺎﺳﺎﯾﯽ ﻣﺆﻟﻔﻪ ﻫﺎي ﺷﻨﺎﺧﺘﯽ و ﻧﺤﻮه ﺗﻌﺎﻣﻞ آن ﻫﺎ در ﺳﺎزﻣﺎن دﻫﯽ ﮐﻨﺶ ﻫﺎي ﻋﺎﻟﯽ ﺗﺮ ذﻫﻨﯽ/ ﻣﻐﺰي ﻣﯽ ﭘﺮدازد. از ﻟﻮازم ﻣﺪل ﺳﺎزي ﺷﻨﺎﺧﺘﯽ ﺗﻌﺎﻣﻞ ﺗﻨﮕﺎﺗﻨﮓ رﺷﺘﻪ ﻫﺎي ﻋﻠﻮم اﻋﺼﺎب، روان ﺷﻨﺎﺳﯽ و ﻣﻬﻨﺪﺳﯽ اﺳﺖ. اﯾﻦ رﺷﺘﻪ ﻧﻪ ﺗﻨﻬﺎ اﯾﺪه ﻫﺎي ﮐﻼﻣﯽ ﻣﺎ را ﺑﻪ ﻓﺮﻣﻮل ﻫﺎ ﯾﺎ ﺑﺮﻧﺎﻣﻪ ﻫﺎي ﮐﺎﻣﭙﯿﻮﺗﺮي ﺗﺮﺟﻤﻪ ﻣﯽ ﮐﻨﻨﺪ ﺑﻠﮑﻪ ﺑﻪ ﺗﻮﺳﻌﻪ داﻧﺶ ﻣﺎ از ﻓﺮاﯾﻨﺪﻫﺎي ﭘﯿﭽﯿﺪه ﺷﻨﺎﺧﺘﯽ ﻧﯿﺰﮐﻤﮏ ﻣﯽ ﮐﻨﺪ. ﺗﺮﺟﻤﻪ ﺣﺎﺿﺮ از ﮐﺘﺎب ﻋﻠﻮم اﻋﺼﺎب ﻣﺤﺎﺳﺒﺎﺗﯽ و ﻣﺪل ﺳﺎزي ﺷﻨﺎﺧﺘﯽ ﺗﺄﻟﯿﻒ ﺑﺮﯾﺖ اﻧﺪرﺳﻮن، اﺳﺘﺎدﯾﺎر داﻧﺸﮕﺎه واﺗﺮﻟﻮ ﮐﺎﻧﺎدا ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ در آن ﻣﺒﺎﺣﺚ ﻣﺮﺑﻮط ﺑﻪ ﻣﺪل ﺳﺎزي ﺷﻨﺎﺧﺘﯽ ﺑﻪ زﺑﺎﻧﯽ ﺳﺎده و ﺑﺎ اﺳﺘﻔﺎده از ﻣﺜﺎل ﻫﺎي ﮔﻮﻧﺎﮔﻮن و ﻋﻤﻠﯽ ﺗﻮﺿﯿﺢ داده ﺷﺪه اﺳﺖ. در ﮐﺘﺎب ﭘﯿﺶ رو ﺑﺮﺧﯽ از اﻧﻮاع زﺑﺎن ﻫﺎي ﮐﺎﻣﭙﯿﻮﺗﺮي ﻣﻌﺮﻓﯽ ﺷﺪه اﺳﺖ. ﻣﺒﺎﺣﺚ از اﮐﺴﻞ ﺷﺮوع ﺷﺪه و ﺑﺎ زﺑﺎن ﻫﺎي ﻟﯿﺴﭗ و ﻫﺎﺳﮑﻞ ﺑﻪ اﻧﺘﻬﺎ رﺳﯿﺪه اﺳﺖ. ﺳﭙﺲ ﻓﺮاﺗﺮ از اﻫﺪاف اﯾﻦ زﺑﺎن ﻫﺎ رﻓﺘﻪ ﺗﺎ اﺳﺘﻔﺎده از ﻣﺤﯿﻂ ﻫﺎي ﺑﺴﯿﺎر ﻗﺪرﺗﻤﻨﺪ ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ ﯾﻌﻨﯽ ACT-R و Netlogo را ﺑﺮاي ﻣﺪل ﺳﺎزي ﺷﻨﺎﺧﺘﯽ اﻣﺘﺤﺎن ﮐﻨﺪ.

فصل 1.مقدمه 19 

1- 1.     مرور کلی.. 19

2- 1.     چرا مدل؟20

3- 1.     آیا می‌توان مغز را ساخت؟20

4- 1.     مدل‌های محاسباتی به‌عنوان آزمایش‌ها12

5- 1.     آیا مدل‌ها نیاز به توجیه زیستی دارند؟25

6- 1.     آیا مدل‌های محاسباتی به کامپیوتر نیاز دارند؟25

7- 1.     چگونه یک مدل را ارزیابی می‌کنید؟27

8- 1.     آیا مدل‌ها نیاز به فرضیه‌ها دارند؟28

9- 1.     سؤالات دیگر. 28

10- 1.    نقشه راه 29

  بخش 1 مدل‌سازی سلول‌های عصبی

فصل 2.  معادلهٴ دیفرانسیل چیست؟31

1- 2.     مرور کلی.. 31

2- 2.     مدل‌سازی نورون‌های منفرد. 32

3- 2.     معادلات دیفرانسیل: روش ریاضی مدل هاجکین و هاکسلی.. 32

4- 2.     مفهوم دیفرانسیل در معادله دیفرانسیل.. 35

5- 2.     خلاصه. 42

فصل 3.  کاربرد عددی یک معادله­ی دیفرانسیل.. 43

1- 3.     مرور کلی.. 43

2- 3.     ابتدا یک جوجه را گرد فرض می‌کنیم. 43

3- 3.     شبیه­ سازی عددی.. 47

4- 3.     انتگرال عددی و معادلات دیفرانسیل: روش اویلر. 50

5- 3.     حل معادلهٴ دیفرانسیل فنر. 52

6- 3.     خلاصه. 54

فصل 4.  میان‌پرده: محاسبه با حلقه­ ها55

1- 4.     بیش از یک نوع زبان برنامه ­­نویسی وجود دارد. 55

2- 4.     برنامه­نویسی دستوری.. 55

3- 4.     تمرینی هماهنگ با حلقه­ ها در پایتون.. 60

فصل 5.  از پتانسیل­ عمل تا برنامه­نویسی نورون‌ها: تجمیع و شلیک... 63

1- 5.     مرور کلی.. 63

2- 5.     پتانسیل­ عمل.. 64

3- 5.     مدل‌های محاسبه‌ای پتانسیل عمل در عمل.. 65

4- 5.     معادله تجمیع و شلیک نورون.. 67

5- 5.     کدنویسیمدل تجمیع و شلیک نورون.. 72

6- 5.     خلاصه. 74

فصل 6.  میان‌پرده: محاسبه با عبارات I f

1- 6.     مدل سادۀ تجمیع و شلیک... 78

فصل 7.  هاجکین و هاکسلی: دو فرد و یک مدل.. 81

1- 7.     مرور کلی.. 81

2- 7.     هاجکین و هاکسلی چه کسانی بودند؟.81

3- 7.     مدل هاجکین و هاکسلی.. 83

4- 7.     شبیه‌سازی مدل هاجکین و هاکسلی با صفحه گسترده86

5- 7.     کلام آخر دربارۀ معادلات دیفرانسیل.. 90

فصل 8.میان‌پرده: محاسبه با توابع. 91

1- 8.     نتیجه. 95

 بخش 2 شبکه‌های عصبی

فصل 9.  ریاضیات شبکه نورونی : بردارها و ماتریس ها97

1- 9.     مرور کلی.. 97

2- 9.     جبر خطی.98

3- 9.     عملیات ابتدائی بردار و ماتریس.... 100

4- 9.     هندسی فکر کنید. 101

5- 9.     توابعی برای ماتریس ها و بردارها 107

6- 9.     دانش خود را بیازمایید. 108

7- 9.     خلاصه. 108

فصل10.  میان‌پرده: محاسبه تعاملی.. 109

1- 10.   کامپایل کردن.. 109

2- 10.   تفسیر. 110

3- 10.   زبان تفسیر شده برای جبر خطی.. 111

4- 10.   مقدمه‌ای بر تعامل در خط فرمان.. 112

فصل11.  مقدمه‌ای بر شبکه‌های عصبی.. 113

1- 11.   مرور کلی.. 113

2- 11.   شبکه‌های عصبی چیست‌اند؟113

3- 11.   تاریخچه برخی از شبکه‌های عصبی.. 115

4- 11.   ساختار کلی (عمومی) از تعا‌مل محلی.. 116

5- 11.   اتومات سلولی.. 117

6- 11.   پرسپترون.. 120

7- 11.   قانون دیگر یادگیری: قانون دلتا126

8- 11.   چرا پرسپترون ها تنها نوع شبکه‌های عصبی نیستند؟129

9- 11.   خلاصه 131

فصل12.میان‌پرده: کاوش تعاملی قانون دلتا با اکتاو133

1- 12.   نوشتن توابع. 133

2- 12.   توابع اکتاو برای تمرین قانون دلتا134

3- 12.   استفاده از اکتاو برای حل تمرین قانون دلتا136

فصل13.حافظه خودانجمنی و شبکه هاپفیلد. 139

1- 13.   مرور کلی.. 139

2- 13.   مسیرهای روشنفگری.. 139

3- 13.   شبکه هاپفیلد: شباهت‌ها و تفاوت‌ها با پرسپترون.. 140

4- 13.   ساختار اساسی یک شبکه هاپفیلد. 142

5- 13.   یک شبکه هاپفیلدی در عمل.. 144

6- 13.   به‌روزرسانی غیر هم‌زمان.. 147

7- 13.   بینش‌های هاپفیلد. 147

8- 13.   خلاصه. 152

 بخش 3 احتمالات و مدل‌های روان‌شناختی

فصل14.احتمالات چیست؟ 155

1- 14.   مرور کلی.. 155

2- 14.   تناقض و احتمال: مجموعه‌ها و کوزه‌ها156

3- 14.   احتمالات هنگام شمارش... 157

4- 14.   احتمالات به‌عنوان اندازه‌گیری اندازه مجموعه. 158

5- 14.   برخی روابط اساسی احتمالات.. 160

6- 14.   انسان‌ها نسبی نیستند. 163

7- 14.   نتیجه. 164

فصل 15.تصمیم‌ها به‌عنوان راه رفتن تصادفی.. 165

1- 15.   مرور کلی.. 165

2- 15.   راه رفتن تصادفی.. 166

3- 15.   اندازه‌گیری زمان واکنش (RT)169

4- 15.   آزمودن مدل‌های زمان واکنش.... 171

5- 15.   نتیجه. 178

فصل 16.میان‌پرده: برنامه‌نویسی آزمایش‌ها سایکو فیزیک با پایتون.. 181

1- 16.   نوشتن برنامه‌های پایتون برای تحقیق.. 181

 2- 16.   کتابخانه PsychoPy. 182

3- 16.   نتیجه. 189

بخش 4 مدل‌سازی شناختی به‌عنوان منطق و قواعد

فصل 17.منطق بولی.. 191

1- 17.   مرور کلی.. 191

2- 17.   ریشه‌های منطق ریاضی.. 192

3- 17.   بیشتر از یک نوع منطق موجود است... 194

4- 17.   خلاصه. 202

فصل 18. میان‌پرده: محاسبه با زبان‌های تابعی.. 203

1- 18.   برنامه‌نویسی تابعی.. 203

2- 18.   مزایای برنامه‌نویسی تابعی.. 205

3- 18.   زبان‌های برنامه‌نویسی تابعی.. 206

4- 18.   خلاصه. 207

فصل 19. قوانین تولید و شناخت... 209

1- 19.   مرور کلی.. 209

2- 19.   تولیدات.. 209

3- 19.   تاریخچه سیستم­های تولید. 211

4- 19.   سیستم‌های تولید. 213

5- 19.   خلاصه. 216

فصل 20. میان‌پرده: کد نویسی یک سیستم ساده تولید. 217

1- 20.   پیاده‌سازی هسکل.. 217

2- 20.   خلاصه 221

فصل 21. ACT-R: یک معماری شناختی.. 223

1- 21.   مرور کلی.. 223

2- 21.   یک معماری شناختی جدید به نام: ACT-R.. 223

3- 21.   خلاصه 247

فصل22.مدل‌سازی عامل محور. 249

1- 22.   مرور کلی.. 249

2- 22.   تاریخچه مدل‌های عامل محور250

3- 22.   اجزای یک مدل عامل محور251

4- 22.   ساختن مدل عامل محور252

5- 22.   مقدمه‌ای بر NetLogo. 252

6- 22.   ساختن یک مدل Netlogo. 254

7- 22.   اجرای مدل حرکت چشم. 267

8- 22.   نتیجه. 268