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 Mechanisms of Implicit Learning: Connectionist Models of Sequence Processing

دانلود کتاب مکانیسم های یادگیری ضمنی: مدل های پیوندگرای پردازش توالی

Mechanisms of Implicit Learning: Connectionist Models of Sequence Processing

مشخصات کتاب

Mechanisms of Implicit Learning: Connectionist Models of Sequence Processing

ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 0262032058, 9780262032056 
ناشر: The MIT Press 
سال نشر: 1993 
تعداد صفحات: 236 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 16 مگابایت 

قیمت کتاب (تومان) : 33,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Mechanisms of Implicit Learning: Connectionist Models of Sequence Processing 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 مکانیسم های یادگیری ضمنی: مدل های پیوندگرای پردازش توالی 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 مکانیسم های یادگیری ضمنی: مدل های پیوندگرای پردازش توالی

وقتی مردم ندانند در حال یادگیری هستند چه چیزی یاد می گیرند؟ تا همین اواخر تمام کارها در حوزه یادگیری ضمنی بر روی پرسش ها و روش های تجربی متمرکز بود. در این کتاب، اکسل کلیرمنز به بررسی یادگیری ناخواسته از دیدگاه پردازش اطلاعات می پردازد. او یک چارچوب نظری را معرفی می‌کند که داده‌ها و مدل‌های موجود را در مورد یادگیری ضمنی، همراه با یک مدل محاسباتی دقیق از عملکرد انسان در موقعیت‌های یادگیری دنباله‌ای یکپارچه می‌کند. این مدل، بر اساس یک شبکه تکراری ساده (SRN)، قادر به پیش‌بینی کامل متوالی است. عناصر دنباله هایی که از گرامرهای حالت محدود تولید می شوند. نشان داده شده است که افراد انسانی در یک سری آزمایش‌های انتخابی زمان واکنش با پیچیدگی فزاینده، حساسیت مشابهی به ساختار زمانی نشان می‌دهند. با این حال، دانش صریح آنها از این توالی محدود است. آزمایش‌های شبیه‌سازی نشان می‌دهند که مدل SRN می‌تواند این داده‌ها را با جزئیات زیاد توضیح دهد. مدل کلیرمنز همچنین در درک تأثیرات طیف وسیعی از متغیرها بر عملکرد یادگیری ترتیبی مانند توجه، در دسترس بودن اطلاعات صریح، یا مفید است. پیچیدگی مواد معماری های دیگری که مواد متوالی را پردازش می کنند در نظر گرفته می شوند. اینها با مدل SRN که گاهی اوقات بهتر از آن عمل می کنند، در تضاد هستند. با در نظر گرفتن این مدل‌ها، این مدل‌ها نشان می‌دهند که چگونه دانش پیچیده ممکن است از طریق عملکرد مکانیسم‌های ابتدایی پدیدار شود - یکی از جنبه‌های کلیدی عملکرد یادگیری ضمنی.


توضیحاتی درمورد کتاب به خارجی

What do people learn when they do not know that they are learning? Until recently all of the work in the area of implicit learning focused on empirical questions and methods. In this book, Axel Cleeremans explores unintentional learning from an information-processing perspective. He introduces a theoretical framework that unifies existing data and models on implicit learning, along with a detailed computational model of human performance in sequence-learning situations.The model, based on a simple recurrent network (SRN), is able to predict perfectly the successive elements of sequences generated from finite-state, grammars. Human subjects are shown to exhibit a similar sensitivity to the temporal structure in a series of choice reaction time experiments of increasing complexity; yet their explicit knowledge of the sequence remains limited. Simulation experiments indicate that the SRN model is able to account for these data in great detail.Cleeremans' model is also useful in understanding the effects of a wide range of variables on sequence-learning performance such as attention, the availability of explicit information, or the complexity of the material. Other architectures that process sequential material are considered. These are contrasted with the SRN model, which they sometimes outperform. Considered together, the models show how complex knowledge may emerge through the operation of elementary mechanisms - a key aspect of implicit learning performance.Axel Cleeremans is a Senior Research Assistant at the National Fund for Scientific Research, Belgium.





نظرات کاربران