Chủ nghĩa kết nối: Mạng thần kinh từ ống kính Khoa học nhận thức

May 10 2022
Trong Triết học về tâm trí, Chủ nghĩa kết nối nhằm mục đích giải thích các quá trình tinh thần với sự hỗ trợ của các mạng lưới thần kinh nhân tạo. Chủ nghĩa kết nối Theo lý thuyết Chủ nghĩa kết nối, tâm trí con người là một mạng lưới các nút.

Trong Triết học về tâm trí, Chủ nghĩa kết nối nhằm mục đích giải thích các quá trình tinh thần với sự hỗ trợ của các mạng lưới thần kinh nhân tạo.

Chủ nghĩa kết nối

Theo thuyết Kết nối, tâm trí con người là một mạng lưới các nút. Theo lý thuyết, mạng này bao gồm một số đơn vị hoặc nút nhỏ. Mạng có thể bao gồm một lớp đầu vào, một lớp ẩn và một lớp đầu ra. 3 lớp được sắp xếp nối tiếp nhau một cách tuần tự, nhưng các nút bên trong các lớp được sắp xếp song song.

Trong ví dụ mạng nhất định ở trên, có tổng cộng chín đơn vị. Ba đơn vị nằm trong lớp đầu vào, có kết nối với bốn nút trong lớp ẩn, trong khi lớp đầu ra bao gồm 2 nút.

Trong mạng của trình kết nối, tất cả các lớp được kết nối với lớp trước - theo nghĩa là chúng lấy thông tin từ lớp trước và sử dụng chức năng kích hoạt để quyết định thông tin nào hoặc lượng thông tin đã qua cần được chuyển tiếp.

Ví dụ về mạng thần kinh

Chúng ta có thể lấy một tình huống thực tế và thảo luận về cách mạng nơ-ron này để giải quyết một vấn đề hàng ngày. Chúng ta hãy xem xét một trường hợp xác định giữa hình ảnh của một con chó và một hình ảnh của một con mèo. Bây giờ, có rất nhiều khả năng chúng có thể là loại hình ảnh nào. Có thể có hình ảnh nhỏ, lớn, màu, đen trắng, hình ảnh 3D, v.v. Để đơn giản hơn cho cuộc thảo luận của chúng tôi, chúng tôi sẽ coi các bức ảnh có kích thước 128x128 và chúng có màu xám, tức là. mỗi pixel có thể có một giá trị có thể có trong khoảng từ 0 đến 255, trong đó 0 có nghĩa là hư vô hoặc màu đen, trong khi 255 đại diện cho toàn bộ màu trắng. Tất cả các giá trị khác có màu xám.

Làm thế nào chúng ta có thể dạy một mạng lưới thần kinh nhận biết một bức tranh đã cho nếu đó là của một con mèo hay một con chó?

Trước hết, hãy bắt đầu với một phép tương tự lỏng lẻo về cách con người có thể đảm nhận nhiệm vụ này. Khi chúng tôi nhìn thấy ai đó lần đầu tiên, chúng tôi sẽ hỏi tên của họ và có một số ánh xạ nội bộ được xây dựng giữa tên của người đó và diện mạo của họ. Và nếu tần suất gặp gỡ của chúng tôi cao, sự liên kết đó ngày càng mạnh mẽ hơn và theo thời gian, chúng tôi cảm thấy không có vấn đề gì trong việc xác định người đó. Do đó, để có sự tương đương về tính toán, chúng tôi có thể nói rằng chúng tôi sẽ yêu cầu rất nhiều hình ảnh về chó và mèo cho mạng nơ-ron và cả nhãn liên kết. Theo một nghĩa nào đó, chúng ta có thể nói với mạng, “đây là một bức tranh và bạn biết đó là bức ảnh của một con mèo”, và dần dần chúng tôi hy vọng rằng mạng sẽ học được cách lập bản đồ.

Bây giờ chúng ta đã thiết lập tiền đề, hãy thảo luận xem việc 'học' ánh xạ có ý nghĩa gì.

Mỗi đơn vị của lớp ẩn có các giá trị được gọi là trọng số được liên kết với nó. Các trọng số này là thước đo lượng thông tin họ muốn lấy từ một đơn vị cụ thể so với các đơn vị khác. Giá trị 1 có nghĩa là đơn vị lớp ẩn muốn thông tin được truyền tới nó từ một đơn vị nhất định của lớp đầu tiên như hiện tại. 0 sẽ ngụ ý rằng nút lớp ẩn chỉ đơn giản là không muốn chấp nhận bất kỳ thông tin nào từ một nút nhất định.

Mạng phân loại / Nguồn: https://github.com/ReiCHU31/Cat-Dog-Classification-Flask-App

Các trọng số cũng có thể được nhìn nhận theo quan điểm của sự căng thẳng hoặc ức chế. Các giá trị trọng số này có thể là bất kỳ số thực nào - đây là thứ mà các nút của lớp ẩn cần xác định để có thể thực hiện tác vụ cuối cùng. Thông thường, người ta hy vọng rằng sau khi trải qua một số lượng lớn các hình ảnh đào tạo, mạng sẽ có thể kết nối giống nhau - đây chính xác là ý nghĩa của việc học trong ngữ cảnh của mạng nơ-ron.

Điều gì được thông qua? Trong giai đoạn đào tạo, các hình ảnh được chuyển qua! Và đối với quan điểm tính toán sẽ là một mảng 2d giá trị pixel cho 128 * 128 pixel - mỗi giá trị từ 0 đến 255. Thông tin này được cung cấp cho lớp đầu vào, ngụ ý rằng chúng ta cần 128 * 128 nút đầu vào để chứa thông tin của một hình ảnh. Ngoài ra, nhãn được chuyển trong giai đoạn huấn luyện, ví dụ như trong trường hợp mèo, chúng ta có thể chuyển giá trị 1 và trong trường hợp chó, chúng ta có thể chuyển giá trị 0. Ý tưởng chính là một khi mạng nơron tính toán trên hình ảnh, sau đó nó sẽ so sánh điều đó với thực tế và sau đó nó có thể giống như phản hồi về việc cải thiện bản thân để đưa ra quyết định trong tương lai - điều này sẽ diễn ra bằng cách điều chỉnh các giá trị trọng số.

Một trong những cơ chế cập nhật trọng lượng phổ biến là truyền ngược , ý tưởng ở đây là các trọng số được điều chỉnh theo kiểu lạc hậu và điều này xảy ra như vậy là do cách thức hoạt động của quy tắc chuỗi. Để tính toán giá trị của trọng số trong nút thứ i của lớp thứ n, người ta sẽ phải quay lại từ nút thứ n-1 đến nút đầu tiên vì trong công thức, trọng lượng của nút thứ i của lớp thứ n phụ thuộc vào tất cả trọng số trong các lớp trước mà qua đó giá trị của nó có thể bị thay đổi.

Backpropagation / Nguồn: https://medium.com/hackernoon/classizing-images-using-tensorflow-js-keras-58431c4df04

Với sự lan truyền ngược, hy vọng là các trọng số được thay đổi theo cách mà khả năng phân loại hoặc hồi quy của mạng được cải thiện, trong trường hợp của chúng ta, câu lệnh bài toán là phân loại. Hơn nữa, để so sánh xem mạng có được cải thiện hay không, giá trị tổn thất entropy chéo có thể được tính toán (trong trường hợp phát biểu bài toán phân loại).

Bên cạnh mạng truyền thẳng truyền thống, một quan điểm mà tôi đã trình bày kỹ lưỡng, ngày nay có rất nhiều biến thể khác nhau của Mạng thần kinh nhân tạo không có khái niệm thống nhất về hướng. Ví dụ: Mạng thần kinh định kỳ và Bộ nhớ ngắn hạn dài hạn.

Giải thích của tôi về các thuộc tính của mạng liên kết (bởi Ravencroft)

Mạng kết nối có thể học: Để phân biệt giữa mèo và chó, mạng phải có khả năng phân biệt đâu là đặc điểm nổi bật của mèo hoặc của chó. Ví dụ, mèo có thể có râu, chó có thể thè lưỡi hầu hết thời gian - nguồn cung cấp oxy của chúng. Sau đó, có sự thay đổi giữa các loài để giải thích. Khả năng các mạng học hỏi từ tập dữ liệu về hình ảnh của mèo và chó để có thể phân loại chính xác là điều làm cho mạng nơ-ron nổi bật.

Theo kết quả nghiên cứu của mạng nơ-ron, nó được cho là có các đặc tính tổng quát hóa tuyệt vời, tức là nếu một tập dữ liệu mới được kiểm tra cho chó và mèo thuộc các giống khác, thì mạng này có thể phân biệt được ngay cả khi đó.

Mạng kết nối xử lý song song: Như đã thảo luận trước đó, các nút hoặc các đơn vị trong một lớp cụ thể được sắp xếp song song với nhau. tức là các nút trong một lớp cụ thể có thể đang gửi hoặc nhận thông tin từ lớp trước hoặc lớp sau một cách song song. I E. một số đơn vị được kích hoạt hoặc hủy kích hoạt cùng một lúc. Về mặt lý thuyết, điều này sẽ dẫn đến việc tính toán tổng thể nhanh hơn.

Ví dụ: tất cả các lớp đầu vào sẽ nhận giá trị pixel tương ứng của chúng từ tập dữ liệu cùng một lúc, trong khi các giá trị từ các lớp đầu vào này sẽ được chuyển sang lớp tiếp theo - nơi các phép tính tiếp theo sẽ diễn ra - tất cả đều đồng nhất với nhau.

Biểu diễn trong mạng kết nối được phân phối: Thông tin được biểu diễn trong mạng nơ-ron nhân tạo theo cả hai cách nối tiếp và song song, trong khi các nút hoặc các đơn vị của một lớp được sắp xếp song song các lớp giữa chúng được sắp xếp theo cách tuyến tính.

Việc truyền thông tin diễn ra theo cách thức chuyển tiếp (hoặc hai chiều trong trường hợp Mạng thần kinh định kỳ) trong khi quá trình xử lý diễn ra song song-y.

Xử lý trong mạng kết nối là cục bộ: Đầu ra của tất cả các đơn vị trong lớp ẩn phụ thuộc vào hai yếu tố, đầu tiên là thông tin hoặc kích hoạt nó nhận được từ lớp trước (lớp đầu vào) và thứ hai, chức năng kích hoạt của chính nó. Theo một cách nào đó, điều này khẳng định theo hướng rằng đối với mạng nơ-ron không có cơ quan trung tâm mà là trách nhiệm được phân bổ đồng đều giữa các nút hoặc các đơn vị của lớp ẩn. Một phép tương tự của nó có thể là cách mọi người cư xử trong môi trường tự do so với môi trường được kiểm soát.

Ví dụ: khi bạn đến công viên, bạn có thể chọn chạy, tập thể dục chơi trên các trò chơi cưỡi ngựa, v.v., không có giới hạn nào đối với chuyến đi bạn có thể đi hoặc ranh giới đến nơi bạn có thể khám phá trong công viên. Bây giờ hãy tưởng tượng một kịch bản mà ở đó có một chức năng đang diễn ra trong công viên, bây giờ có những giới hạn cho những gì bạn có thể làm trong công viên. Ví dụ: sẽ có những lãnh thổ không bị ràng buộc, v.v. Do đó, ở đây trong trường hợp đầu tiên, có một khái niệm song song về khả năng đưa ra quyết định không hạn chế, trong khi trong trường hợp thứ hai, có một người kiểm soát vô hình có thể hạn chế và cho phép những gì bạn có thể làm hoặc không, trường hợp đầu tiên là cách một nơ-ron mạng hoạt động.

Mạng kết nối chịu đựng đầu vào chất lượng kém: Có thể có một tình huống trong đó hình ảnh mới không rõ ràng hoặc đủ trực quan để đưa ra phán đoán - nếu đó là hình ảnh của một con chó hoặc một con mèo.

Theo các thử nghiệm, hóa ra các mạng nơ-ron khá mạnh mẽ và thành thạo ngay cả khi một hình ảnh có thể không rõ ràng như tập hợp hình ảnh mà nó có thể đã được đào tạo.

Mạng kết nối suy giảm một cách dễ dàng: Tính chuyên môn của mạng nơ-ron suy giảm khi trọng số của nó được thiết lập lại. Nó như thể trí nhớ của việc học tập bị mất đi. Nhưng hóa ra là trừ khi nhiều trọng số bị mất giá trị chính xác, mạng nơron vẫn có thể đưa ra các dự đoán tốt - mặc dù độ chính xác thấp. Nhưng tất nhiên, theo trực giác mà chúng ta cảm nhận về điều đó, chất lượng sẽ suy giảm tương ứng với số lượng trọng lượng mất đi khả năng học tập của chúng.

Lời giải thích của tôi về Bằng chứng ủng hộ Chủ nghĩa kết nối (bởi Ravenscroft)

Giỏi những gì chúng ta giỏi; tệ ở những gì chúng ta không tốt: Chúng ta đã thấy trong cuộc thảo luận trước rằng các mạng liên kết có khả năng tổng quát hóa tuyệt vời mà việc nhìn thấy một thứ mà nó có thể phần nào nghĩ rằng nó phù hợp là bản chất của việc học hỏi và thích nghi. Khả năng này khá đồng bộ với khả năng của con người khi thực hiện một nhiệm vụ tương tự.

Cả con người và mạng kết nối đều thực hiện khá tốt các nhiệm vụ nhận dạng hình ảnh. Đây là một điểm mà chúng ta có thể lặp đi lặp lại, "các mô hình kết nối tốt ở những gì chúng ta giỏi". Nhưng nó chỉ đơn thuần là một trường hợp duy nhất, một trường hợp ngoại lệ, hay có nhiều trường hợp chúng ta tốt, họ là những tình huống tốt?

Trong nhiều năm qua, mạng lưới thần kinh đã thành công trong rất nhiều tình huống mà người ta tin rằng nó chỉ có thể thực hiện được bởi một con người. Đối với cờ vua mới bắt đầu. Vào những năm 1990 không ai tưởng tượng rằng một nhà vô địch cờ vua thế giới Gary Kasparov lại có thể bị hạ gục một mạng. Cờ vua là thứ được coi là điểm khác biệt chính giữa khả năng của con người và khả năng của máy móc.

Kasparov thua lỗ trước IBM Deep Blue / Nguồn: https://theconversation.com/twenty-years-on-from-deep-blue-vs-kasparov-how-a-chess-match-started-the-big-data-revolution -76882

Chiến thắng của IBM Deep Blue được coi là một bước tiến quan trọng trong việc hiểu và triển khai trí thông minh của con người vào một cỗ máy. Kể từ đó, đã có một loạt các ví dụ trong đó các mạng nơ-ron như vậy đã tái hiện khả năng nhận thức của con người một cách gần như hoàn hảo, nhiều ví dụ hơn có thể bao gồm dịch ngôn ngữ, chẩn đoán bệnh nhân, v.v. Cũng giống như các đối tác con người của họ, các mô hình kết nối có khả năng học hỏi và thích nghi.

Cấu trúc giống não: Cũng giống như trường hợp của mạng lưới thần kinh, não cũng có khái niệm song song gắn liền với cấu trúc của nó - mọi đơn vị tế bào thần kinh đều được kết nối với các tế bào thần kinh khác. Nhưng bên cạnh đó, có sự khác biệt giữa các nút nhân tạo và não bộ. Nếu chúng ta cho phép mình tham gia vào việc so sánh với các khía cạnh sinh học của giao tiếp thần kinh thì chúng ta sẽ ở vị trí tốt hơn để đưa ra ý kiến ​​về khả năng ứng dụng của mạng thần kinh trong nghiên cứu tâm trí con người. Trước đó, chúng ta đã thảo luận về cách mạng nơ-ron được đào tạo với thuật toán lan truyền ngược.

Với sự lan truyền ngược, chúng tôi nói rằng hy vọng của chúng tôi là các trọng số được thay đổi theo cách mà khả năng phân loại hoặc hồi quy của mạng được cải thiện. Nó vẫn chưa được thiết lập nếu một số khái niệm về sự lan truyền ngược là cách con người thực hiện các điều chỉnh đối với 'mô hình' ra quyết định của họ. Hơn nữa, giao tiếp ở cấp độ tế bào thần kinh ở con người đã được nghiên cứu rộng rãi.

Theo các nhà khoa học thần kinh, các tế bào thần kinh giao tiếp với nhau với sự trợ giúp của các chất hóa học được gọi là chất dẫn truyền thần kinh. Trong khi đó, các mạng nơ-ron nhân tạo không tính đến các yếu tố như vậy trong khi chuyển thông tin từ lớp này sang lớp khác.

Lý do cho Chủ nghĩa hoài nghi đối với Chủ nghĩa Kết nối

Vấn đề về tính hệ thống của ngôn ngữ và tư tưởng: Một trong những lý do lớn nhất dẫn đến sự hoài nghi đối với chủ nghĩa liên kết đến từ việc nó không có khả năng tạo ra lập luận về tính hệ thống. Fodor và Pylyshyn khẳng định những người theo chủ nghĩa kết nối sẽ khó giải thích tính hệ thống của ngôn ngữ. “Tính hệ thống của ngôn ngữ nói về thực tế là khả năng tạo ra, hiểu hoặc suy nghĩ một số câu được kết nối về bản chất với khả năng tạo ra, hiểu hoặc suy nghĩ những câu khác có cấu trúc liên quan”.

Ví dụ: nếu ai đó hiểu tình cảm và ngữ nghĩa đằng sau câu “David ngưỡng mộ Rahul”, thì họ có thể hiểu được tình cảm và ngữ nghĩa đằng sau từ “Rahul ngưỡng mộ David”.

Không có ý kiến ​​nhất định về việc liệu các mô hình liên kết có khả năng đảm bảo tính hệ thống hay không. Mặt khác, tính hệ thống có thể dễ dàng được chứng minh về sự tồn tại của nó trong trường phái tư tưởng của Lý thuyết tính toán. Khi suy nghĩ của họ được xây dựng tương tự như các khái niệm. Biết được ý nghĩa và các mối quan hệ cơ bản giữa các từ 'Rahul', 'ngưỡng mộ' và 'Dravid' sẽ ngụ ý rằng người nghe có kiến ​​thức cú pháp để đưa ra kết luận cần thiết.

Tính hệ thống của tư tưởng, theo Fodor và Pylyshyn cần các mối quan hệ cú pháp và ngữ nghĩa với các biểu diễn tinh thần để cung cấp cho sự tồn tại của ngôn ngữ tư duy, trong khi trong trường hợp của thuyết liên kết thì không có thảo luận nào về các mối quan hệ cú pháp và ngữ nghĩa trong tinh thần. sự đại diện; đây phải là một trường hợp mạnh mẽ chống lại lý thuyết liên kết vì nó không thể bình luận về tính hệ thống của tư tưởng.

Chủ nghĩa khỏa thân: Chủ nghĩa khỏa thân cũng nổi lên như một lập luận lớn chống lại lý thuyết chủ nghĩa liên kết. Theo Nativists, một số kỹ năng có nguồn gốc từ não người - tức là chúng vốn đã ăn sâu vào não người.

Goldstein và Jack A. Naglieri viết về thuyết nativism, “Một tập hợp các lý thuyết cho rằng các khả năng và quá trình phát triển của con người là bẩm sinh và có sẵn khi sinh ra. Những lý thuyết này cung cấp cho niềm tin về các quá trình phát triển liên quan chặt chẽ nhất đến việc tiếp thu ngôn ngữ ban đầu ”.

Những người chống chủ nghĩa quốc gia tin rằng bộ não của con người xâm nhập vào thế giới tabula rasa - tức là. dưới dạng một phương tiện trống. Blank slate có nghĩa là tất cả các kỹ năng và năng lực bao gồm khả năng hiểu ngôn ngữ đòi hỏi phải hiểu thế giới vốn dĩ không có ở con người mà thay vào đó được phát triển bởi các kích thích bên ngoài và tương tác với môi trường bên ngoài.

Mặt khác, những người theo chủ nghĩa khỏa thân tin rằng có một số hiểu biết vốn có về các kỹ năng chính như ngôn ngữ. Theo nhà ngôn ngữ học Noam Chomsky, trẻ em được sinh ra với một thiết bị thu nhận ngôn ngữ được gắn trong não của chúng.

Chúng ta nên thận trọng để không phủ định hoàn toàn khái niệm nativistic về mô hình liên kết. Các mô hình liên kết cũng không phù hợp với cách thức theo chủ nghĩa kinh nghiệm. Như với chủ nghĩa nativism, mạng kết nối cũng bắt đầu với một tập hợp các giá trị ban đầu - mặc dù chúng có ít ý nghĩa do tính ngẫu nhiên của chúng, nhưng vẫn cần một số kiến ​​thức để bắt đầu mạng. Do đó, cũng có những yếu tố của thuyết nativism trong cách tiếp cận thuyết liên kết, nhưng nó có thể được xác định rõ như thế nào và hàm ý của nó sẽ là một câu hỏi nghiên cứu.

Chủ nghĩa kết nối giả định rằng ban đầu mạng tạo ra các phản hồi không tốt hơn một đồng xu lật ngẫu nhiên và chỉ sau khi nó có thêm kiến ​​thức về thế giới thì các dự đoán mới trở nên tốt hơn. Hãy nhớ rằng chúng tôi đã nói rằng ban đầu tất cả các trọng số đều được gán các giá trị ngẫu nhiên cũng giống như việc đặt từng tham số bằng 0 - nhưng việc bắt đầu bằng 0 vẫn có nghĩa là một số thông tin có thể được sử dụng để ra quyết định, do đó ngẫu nhiên được chỉ định. Do đó, chúng ta có thể thấy lý do tại sao những người theo chủ nghĩa nano sẽ bị những người theo chủ nghĩa kết nối làm khó chịu.

Tính hợp lý: Trong nhiều năm qua, các mạng kết nối đã được thiết kế để xác định tính hợp lý của các đối số đơn giản. Các thí nghiệm đã được tiến hành thành công khi mô hình đã đưa ra kết luận trên cơ sở tiền đề.

Ví dụ, dưới đây là một trong các tình huống Ví dụ: Tiền đề và Kết luận.

Tiền đề 1: Nếu A thì B

Tiền đề 2: A

Kết luận B

Đây là một đối số hợp lệ của biểu mẫu modus ponens.

Ví dụ về một đối số không chính xác sẽ là,

Tiền đề 1: Nếu A thì B

Tiền đề 2: Không phải A

Kết luận Không phải B

Đây là một lập luận không hợp lệ vì ở đây xảy ra A ngụ ý xảy ra B, nhưng phủ định không đúng vì tiền đề không thảo luận gì về mối quan hệ giữa A và B khi không có A.

Ví dụ: "Nếu Ấn Độ vô địch World Cup, tôi sẽ đi xem phim", trong trường hợp này, nghĩa là nếu tiền đề Ấn Độ vô địch World Cup là đúng thì tiền đề "Tôi sẽ đi đến phim ”cũng sẽ được hiện thực hóa. Không có cuộc thảo luận nào về mối quan hệ giữa việc Ấn Độ không vô địch World Cup và việc đi xem phim sẽ có tác động gì đến tôi. Tôi vẫn có thể đi xem phim trong trường hợp Ấn Độ thua, nhưng nếu Ấn Độ thắng thì chắc chắn tôi sẽ đi xem phim.

Bechtel và Abrahamsen đã tiến hành nghiên cứu 6 đối số cùng loại như được đưa ra trong ví dụ. Sau khóa đào tạo, với độ chính xác nhất định, mô hình có khả năng phân biệt giữa các đối số hợp lệ và không hợp lệ. Với một kho dữ liệu lớn hơn, độ chính xác sẽ tăng lên một vài điểm phần trăm. Do đó, mặc dù không phải là bằng chứng đầy đủ, nhưng đây có thể là một bước đi đúng hướng cho những người kết nối.

Khả năng giải thích của các mô hình kết nối: Mô hình liên kết để giải quyết các vấn đề về phân loại như chúng ta đã thảo luận vẫn chưa nói lên nhiều điều về cách nó đạt được thành công trong nhiệm vụ. Trong khi đưa ra một bức tranh, chúng tôi có thể nghĩ rằng mỗi lớp bằng cách nào đó đang tìm kiếm một đặc điểm cụ thể và sau đó về tổng thể tạo ra sự đồng thuận về việc hình ảnh là của một con chó hay một con mèo. Ví dụ, lớp ẩn đầu tiên là để ý xem có râu hay không, lớp ẩn thứ hai (nếu có) đang đưa ra phán đoán về khả năng hiển thị của lưỡi, v.v. Do đó, ngay cả khi chúng tôi thấy tỷ lệ thành công lớn với các mô hình kết nối giải quyết các vấn đề như vậy, chúng tôi vẫn chưa hiểu đầy đủ các sắc thái của mạng và chức năng của nó. Và nếu không giải thích đầy đủ về hoạt động bên trong, có thể khó thực hiện cách tiếp cận này để hiểu được tâm trí con người.

Thư mục

Buckner, Cameron và James Garson. “Chủ nghĩa kết nối”, 1997.https://plato.stanford.edu/entries/connectionism/#SysDeb.

Goldstein, Sam và Jack A. Naglieri, eds. Encyclopedia of Child Behavior and Development . Boston, MA: Springer US, 2011.https://doi.org/10.1007/978-0-387-79061-9.

Ravenscroft, Ian. Triết lý tư duy: Hướng dẫn cho người mới bắt đầu. Oxford; New York: Nhà xuất bản Đại học Oxford, 2005.

Bài báo này được viết như một phần của yêu cầu khóa học Triết học về Tư duy tại chương trình Khoa học Nhận thức MSc của IIT Delhi do Giáo sư Smita Sirker giảng dạy.

Alan Turing: Những Ý tưởng Công nghệ đã tạo nên cuộc cách mạng trong Thế kỷ 20

Có thể liên hệ với tác giả tạihttps://www.linkedin.com/in/sidgupta234

© Copyright 2021 - 2022 | vngogo.com | All Rights Reserved