ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Big Data in Cognitive Science

دانلود کتاب کلان داده در علوم شناختی

Big Data in Cognitive Science

مشخصات کتاب

Big Data in Cognitive Science

دسته بندی: روانشناسی
ویرایش:  
نویسندگان:   
سری: Frontiers of Cognitive Psychology 
 
ناشر: Psychology Press 
سال نشر: 2016 
تعداد صفحات: 382 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت

قیمت کتاب (تومان) : 38,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 16


در صورت تبدیل فایل کتاب Big Data in Cognitive Science به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب کلان داده در علوم شناختی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب کلان داده در علوم شناختی

در حالی که تحقیقات آزمایشگاهی ستون فقرات جمع آوری داده های تجربی در علوم شناختی است، حجم تحقیقات به سرعت در حال افزایش در حال حاضر بر روی داده های دیجیتالی در مقیاس بزرگ و دنیای واقعی سرمایه گذاری می کند. هر قطعه از داده ها ردی از رفتار انسان است و سرنخ بالقوه ای را برای درک اصول اولیه شناختی به ما ارائه می دهد. با این حال، ما باید بتوانیم قطعات را به روشی معقول کنار هم قرار دهیم، که هم به پیشرفت در مدل‌های نظری و هم توسعه تکنیک‌های روش‌شناختی جدید نیاز دارد. هدف اصلی این جلد ارائه نمونه‌های پیشرفته از استخراج داده‌های در مقیاس بزرگ و طبیعی برای کشف اصول مهم شناخت و ارزیابی نظریه‌هایی است که بدون چنین مقیاسی امکان‌پذیر نخواهد بود. این کتاب همچنین مأموریت دارد تا دانشمندان شناختی را تحریک کند تا راه‌های جدیدی را برای استفاده از داده‌های بزرگ به منظور افزایش درک ما از فرآیندهای شناختی اساسی در نظر بگیرند. در نهایت، هدف این کتاب هشدار دادن به خطرات بالقوه استفاده، یا اتکای بیش از حد به داده‌های بزرگ است و نشان می‌دهد که چگونه داده‌های بزرگ می‌توانند در کنار داده‌های تجربی سنتی و با دقت جمع‌آوری‌شده به‌جای جانشینی آن‌ها کار کنند. در مجموع، این کتاب پیشگامانه، مقدمه‌ای هیجان‌انگیز، دقیق، محرک، و واقع‌بینانه به کلان داده‌ها را به دانشمندان شناختی و کسانی که در زمینه‌های مرتبط هستند ارائه می‌کند - و نشان می‌دهد که چگونه می‌تواند درک ما از اصول حافظه، ادراک، طبقه‌بندی انسان را به میزان زیادی ارتقا دهد. تصمیم گیری، زبان، حل مسئله و نمایندگی. « معین Aperçu du livre » Avis des internautes - Rédiger un commentaire Aucun commentaire n'a été trouvé aux emplacements habituels. Livres sur des sujets connexes مدلسازی محاسباتی شناخت و رفتار سیمون فارل، استفان لواندوفسکی مجموعه مقالات بیست و پنجمین سالانه انجمن علوم شناختی ریچارد آلترمن، دیوید کرش Arc Hydro: GIS برای منابع آب، جلد 1 دیوید R. Maidment جاوا و JMX هدر کرگر، وارد هارولد، لی ویلیامسون اصول مسیریابی IP مارک ای. اسپورتاک داده کاوی ایان اچ ویتن، ایبه فرانک راهنمای SPSS برای تجزیه و تحلیل واریانس گوستاو لوین کیفیت داده توماس سی ردمن تشخیص الگوی آماری اندرو وب UML و فرآیند یکپارچه لیلیانا فاور XML برای معماران داده جیمز بین مدل های نظری در زیست شناسی گلن رو UML برای طراحی پایگاه داده اریک جی. نایبورگ، رابرت آ. ماکسیمچاک صفحات منتخب صفحه صفحه صفحه صفحه صفحه صفحه جدول مواد جدول مواد جدول مواد مشارکت کنندگان به روز رسانی متوالی بیزی برای داده های بزرگ روانشناسی آموزش بیزی قابل حمل ساختار اجتماعی به تراکم اطلاعات زبانی مربوط می شود تست حافظه ارزیابی فضاهای معنایی نمایش شبکه های بزرگ معناشناسی در ذهنی بینش ها بررسی ساده سازی چه کسی تراز می کند و توجه اقتصاد اطلاعات ازدحام و زبان اتصال Preferences به RealWorld تایپیست ها چگونه خود را تنظیم می کنند آیا داده های بزرگ می توانند به ما در درک بینش انسانی کمک کنند؟ فهرست مطالب Autres éditions - Tout afficher 3 نوامبر 2016 Aperçu Limité 1 نوامبر 2016 Aucun aperçu 1 نوامبر 2016 Aucun aperçu عبارات و اصطلاحات متداول الگوریتم تجزیه و تحلیل هم ترازی کنترل توجه رفتار بیزی داده کلان خوشه‌های بیگرام مدل‌سازی شناختی علوم شناختی برچسب‌گذاری مشارکتی پیچیده مفاهیم زبان‌شناسی محاسباتی ملموس بودن پیکره همبستگی مجموعه داده تصمیم‌گیری گفتگو آنتروپی ارزیابی تجربه نمونه روان‌شناسی تجربی شکل فلیکر fMRI تفاوت‌های فردی فولکسونومی انسانی در هیپوسونومی توابع انسانی هیپوچیس هیپرسون زبان دانش تجربی در مقیاس بزرگ Last.fm یادگیری حرف فرکانس احتمال گوش دادن احتمال حاشیه ای ویژگی های مک رای هنجارها میانگین اندازه گیری نشانه های حافظه واژگان ذهنی روش های گره های ngram عصبی گره های اولیوولا پارامترهای شرکت کنندگان الگوهای عملکرد پیش بینی توزیع پسین پیش بینی اثرات احتمال پردازش نظریه چشم انداز روانی زبانی تصادفی Reitter samplability حافظه Reitter Sampleli شبکه معنایی پرایم معنایی نمایش های معنایی حساسیت ترتیبی مشابه دنیای کوچک فضای اجتماعی ساختار آماری خاص چیدمان آغازین نحوی برچسب گذاری هدف وظیفه آموزش تئوری آزمایشات سه گانه تایپ تایپیست متغیرها بردار واژگان بصری وکسل WordNet پیشنهاد نویسنده (2016) مایکل ان. جونز استاد روانشناسی، علوم شناختی و انفورماتیک ویلیام و کاترین استس در دانشگاه ایندیانا، بلومینگتون، و سردبیر روش‌های تحقیق رفتار است. تحقیقات او بر روی مدل‌های محاسباتی در مقیاس بزرگ شناخت و روش‌شناسی آماری برای تجزیه و تحلیل مجموعه‌های داده عظیم برای درک رفتار انسان متمرکز است. کتابشناسی اطلاعات کد QR برای داده های بزرگ در علوم شناختی عنوان کلان داده در علوم شناختی مرزهای روانشناسی شناختی مایکل ان. جونز انتشارات Éditeur Psychology، 2016 شابک 1315413558, 9781315413556 Longueur 374 صفحه استناد صادرکننده


توضیحاتی درمورد کتاب به خارجی

While laboratory research is the backbone of collecting experimental data in cognitive science, a rapidly increasing amount of research is now capitalizing on large-scale and real-world digital data. Each piece of data is a trace of human behavior and offers us a potential clue to understanding basic cognitive principles. However, we have to be able to put the pieces together in a reasonable way, which necessitates both advances in our theoretical models and development of new methodological techniques. The primary goal of this volume is to present cutting-edge examples of mining large-scale and naturalistic data to discover important principles of cognition and evaluate theories that would not be possible without such a scale. This book also has a mission to stimulate cognitive scientists to consider new ways to harness big data in order to enhance our understanding of fundamental cognitive processes. Finally, this book aims to warn of the potential pitfalls of using, or being over-reliant on, big data and to show how big data can work alongside traditional, rigorously gathered experimental data rather than simply supersede it. In sum, this groundbreaking volume presents cognitive scientists and those in related fields with an exciting, detailed, stimulating, and realistic introduction to big data – and to show how it may greatly advance our understanding of the principles of human memory, perception, categorization, decision-making, language, problem-solving, and representation. « Moins Aperçu du livre » Avis des internautes - Rédiger un commentaire Aucun commentaire n'a été trouvé aux emplacements habituels. Livres sur des sujets connexes Computational Modeling of Cognition and Behavior Simon Farrell, Stephan Lewandowsky Proceedings of the 25th Annual Cognitive Science Society Richard Alterman, David Kirsch Arc Hydro: GIS for Water Resources, Volume 1 David R. Maidment Java and JMX Heather Kreger, Ward Harold, Leigh Williamson IP Routing Fundamentals Mark A. Sportack Data Mining Ian H. Witten, Eibe Frank A Guide to SPSS for Analysis of Variance Gustav Levine Data Quality Thomas C. Redman Statistical Pattern Recognition Andrew Webb UML and the Unified Process Liliana Favre XML for Data Architects James Bean Theoretical Models in Biology Glenn Rowe UML for Database Design Eric J. Naiburg, Robert A. Maksimchuck Pages sélectionnées Page Page Page Page Page Page Table des matières Table des matières Table des matières Contributors Sequential Bayesian Updating for Big Data Psychological Tractable Bayesian Teaching Social Structure Relates to Linguistic Information Density Testing the Memory Evaluating the Semantic Spaces Largescale Network Representations of Semantics in the Mental Insights Examining the Simplification Who Aligns and Attention Economies Information Crowding and Language Connecting Preferences to RealWorld How Typists Tune Their Can Big Data Help Us Understand Human Vision? Index Autres éditions - Tout afficher 3 nov. 2016 Aperçu limité 1 nov. 2016 Aucun aperçu 1 nov. 2016 Aucun aperçu Expressions et termes fréquents algorithm alignment analysis attentional control Bayesian behavior Big Data bigram clusters cognitive modeling Cognitive Science collaborative tagging complex Computational Linguistics concepts concreteness corpus correlations dataset decision­making dialogue entropy evaluate example experience Experimental Psychology Figure Flickr fMRI folksonomy function Google hierarchical human Hutchison hypothesis images increases individual differences inference Journal of Experimental knowledge language large­scale Last.fm learning letter frequency likelihood listening marginal likelihood McRae’s features norms mean measures memory cues mental lexicon methods neural n­gram nodes Olivola parameters participants patterns performance posterior distribution predictions priming effects probability processing prospect theory psycholinguistic random Reitter reliability retrieval sampling scenes semantic memory semantic network semantic priming semantic representations sensitivity sequential similar small world social space specific statistics structure syntactic priming tagging target task teaching theory trials trigram typing typists variables vector visual vocabulary voxels WordNet À propos de l'auteur (2016) Michael N. Jones is the William and Katherine Estes Professor of Psychology, Cognitive Science, and Informatics at Indiana University, Bloomington, and the Editor-in-Chief of Behavior Research Methods. His research focuses on large-scale computational models of cognition, and statistical methodology for analyzing massive datasets to understand human behavior. Informations bibliographiques QR code for Big Data in Cognitive Science Titre Big Data in Cognitive Science Frontiers of Cognitive Psychology Rédacteur Michael N. Jones Éditeur Psychology Press, 2016 ISBN 1315413558, 9781315413556 Longueur 374 pages Exporter la citation



فهرست مطالب

Cover......Page 1
Half-title......Page 2
Title page......Page 4
Copyright page......Page 5
Table of contents......Page 6
Contributors......Page 8
1 Developing Cognitive Theory by Mining Large-scale Naturalistic Data......Page 10
What is Big Data?......Page 11
What is Big Data to Cognitive Science?......Page 13
How is Cognitive Research Changing with Big Data?......Page 15
Intertwined Theory and Methods......Page 17
References......Page 18
Introduction......Page 22
Two Schools of Statistical Inference......Page 23
Principles of Bayesian Statistics......Page 25
That Wretched Prior......Page 26
Obtaining the Posterior......Page 27
Sequential Updating with Bayesian Methods......Page 28
Advantages of Sequential Analysisin Big Data Applications......Page 30
MindCrowd......Page 31
Modeling Simple Reaction Time with the LATER Model......Page 32
Study Design......Page 34
Results from the Hierarchical Bayesian LATER Model......Page 36
Combining Cognitive Models......Page 37
Discussion......Page 38
Notes......Page 39
References......Page 40
Introduction......Page 43
Knowledge State......Page 44
Psychological Theories of Long-Term Memory Processes......Page 46
ACT-R......Page 49
MCM......Page 50
Collaborative Filtering......Page 51
Candidate Models......Page 53
Simulation Results......Page 54
Representing Study History......Page 58
Classroom Studies of Personalized Review......Page 60
Discussion......Page 66
Conclusions......Page 67
Appendix: Simulation Methodology for Hybrid Forgetting Model......Page 68
Notes......Page 69
References......Page 70
4 Tractable Bayesian Teaching......Page 74
Complexity in Bayesian Statistics......Page 76
The Metropolis-Hastings Algorithm......Page 77
Recent Advances in Monte Carlo Approximation......Page 78
Teaching Using PM-MCMC......Page 79
Example: Infant-Directed Speech (Infinite Mixtures Models)......Page 80
Learning Phonetic Category Models......Page 81
Teaching DPGMMs......Page 82
Experiments......Page 86
Discussion......Page 88
Sensory Learning of Orientation Distributions......Page 89
Teaching DP-DPGMMs......Page 90
Experiments......Page 91
Discussion......Page 93
Conclusion......Page 94
Notes......Page 96
References......Page 97
Introduction......Page 100
Information and Adaptation......Page 102
Social-Network Structure......Page 103
Linguistic Measures......Page 104
Social Networks......Page 106
Network Measures......Page 107
Additional Measures......Page 109
Broad Expectations and Some Predictions......Page 111
Simple Measures......Page 112
Complex Measures......Page 116
Discussion......Page 117
General Discussion......Page 118
Notes......Page 121
References......Page 122
Introduction......Page 126
What is Collaborative Tagging?......Page 128
Why People Tag......Page 129
Connections to Psychological Research on Memory Cues......Page 131
Dataset......Page 134
Hypotheses......Page 136
Analytic Approaches......Page 137
Time Series Analysis......Page 138
Information Theoretic Analyses......Page 141
Next Steps: Causal Analyses......Page 145
Summary and Conclusions......Page 147
Notes......Page 148
References......Page 149
Introduction......Page 153
Related Work: Monomodal and Multimodal Distributional Semantics......Page 154
Flickr Distributional Tagspace......Page 156
The Flickr Environment......Page 157
The Distributional Tagspace......Page 158
Implementing FDT......Page 159
Semantic Spaces and Concept Similarities in FDTand in McRae’s Features Norms......Page 162
Types of Features in Flickr and McRae’s Features Norms......Page 163
Correlation Coefficients Between the Semantic Representationsin FDT and Norms......Page 166
A Comparison with WordNet-Based Similarity Metrics and Discussion......Page 168
Categorization Task in FDT and in McRae’s Feature Norms......Page 169
Cluster Validation and Discussion......Page 173
Conclusions......Page 177
Notes......Page 178
References......Page 179
Introduction......Page 183
Studying the Mental Lexicon......Page 184
Using Association Networks to Represent Lexical Knowledge......Page 187
Representation of Semantic Similarity......Page 188
Spreading Activation......Page 189
Insights at the Macroscopic Level......Page 190
Insights at the Mesoscopic Level......Page 193
Simple Network Centrality Measures to Explain WordProcessing Advantages......Page 198
Discussion......Page 200
Extending the Models to Specific Groups and Individuals......Page 201
Challenges......Page 202
References......Page 205
9 Individual Differences in Semantic Priming Performance: Insights from the......Page 212
Individual Differences in Semantic Priming......Page 215
Is Semantic Priming Reliable?......Page 217
The Present Study......Page 218
Dataset......Page 219
Results......Page 220
Analysis 1: Reliability of Semantic Priming......Page 221
Analysis 2: Individual Differences in Semantic Priming......Page 223
Reliability of Semantic Priming......Page 226
Individual Differences in Semantic Priming......Page 228
Reliability of Isolated Versus Primed Lexical Decision......Page 229
Limitations and Future Directions......Page 230
Notes......Page 231
References......Page 232
10 Small Worlds and Big Data: Examining the Simplification Assumption in......Page 236
Analysis of a Small World......Page 239
Learning a Small World......Page 240
Discussion......Page 243
Training materials......Page 245
Small Worlds......Page 246
Results......Page 247
General Discussion......Page 251
Note......Page 252
References......Page 253
Introduction......Page 255
Integrating Psycholinguistics and Cognitive Modeling......Page 256
Syntactic Priming......Page 258
Characteristics of Syntactic Priming......Page 260
Priming is Evident in Corpus Data......Page 261
How Mechanistic is the Effect?......Page 262
Examining Social Modulation of Alignment......Page 263
Data and Methods......Page 265
Research Questions......Page 266
Results and Discussion......Page 267
Questions and Challenges for Data-Intensive Computational Psycholinguistics......Page 270
Conclusion......Page 272
Notes......Page 273
References......Page 274
12 Attention Economies, Information Crowding, and Language Change......Page 279
Language Change......Page 281
Conceptual Crowding......Page 282
An Illustrative Example: Optimal Conceptual Length......Page 283
Surface Versus Conceptual Complexity......Page 284
Conceptual Efficiency and Concreteness......Page 286
The Rise in Concreteness......Page 287
Semantic Bleaching......Page 288
Reductions in Surface Complexity......Page 291
Word Length......Page 292
Age of Acquisition......Page 294
Discussion of the Absence of Reductionin Surface Complexity......Page 295
Population Density and Concreteness in US States......Page 296
Conclusions......Page 298
References......Page 299
Introduction......Page 303
Breaking Free of Utility: Decision by Sampling......Page 305
The Subjective Value of Monetary Gains and Losses......Page 308
The Subjective Value of Human Lives......Page 312
The Weighting of Probabilities......Page 315
The Perception of Time Delays......Page 318
Recap: Using Big Data to Explain Preference Patterns......Page 319
Causality and Coincidence......Page 321
Notes......Page 323
References......Page 325
Introduction......Page 329
The Serial-Order Problem......Page 330
Hierarchical Control and Skilled Typing......Page 332
Developing a Well-Formed Inner Loop......Page 333
More Than One Way to Speed Up a Typist......Page 334
Testing the Predictions in Skilled Typing......Page 339
Using Big Data Tools to Answer the Question......Page 340
Answering Questions with the Data......Page 342
Discriminating Between SRN and Instance Theory Models......Page 346
Relation to Response-Scheduling Operations......Page 347
References......Page 349
Introduction......Page 352
What is Big Data?......Page 355
Why Does Big Data Work?......Page 360
Applications of Big Data to Human Vision......Page 361
Conclusions......Page 367
Notes......Page 369
References......Page 370
Index......Page 373




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی