College 5 -> connectionisme

Question 1

connectionisme?

Answer 1

versie fysicalisme die MR serieus neemt en biologisch realistischer.
alternatief voor de klassieke seriële kijk op informatieverwerking.

Question 2

Paul Churchland/Churchlands?

Answer 2

filosofisch connectionisten; ons brein is een neuraal netwerk, dus als we de geest willen begrijpen moeten we zo dicht mogelijk bij breinstructuur blijven.

stelt grens aan MR

Question 3

connectionistisch model?

Answer 3

nabootsing van structuur in je hersenen (biologisch neuraal netwerk)
bestaat uit
- units
- weights

grote verschil met functionalisme is niet serieel, maar parallel

Question 4

units

Answer 4

de AI neuronen, ontvangen input en verzenden output

Question 5

Weights

Answer 5

de sterkte van de output die de unit verzend. kan remmend en stimulerend zijn

Question 6

hoe loopt het connectionistisch model

Answer 6

input units -> hidden units -> output units

weights hebben een bepaalde waarde dus die passen zich aan op feedback. Moet het leren.

Question 7

voorbeeld 1: logische neuronen

Answer 7

units hebben drempelwaarde en input moet de drempelwaarde halen om output te krijgen.

Question 8

voorbeeld 2: mijnen opsporen

Answer 8

Via sonar. Mijnen en rots hebben verschillende frequentie dus
1. sterkte van frequenties bepalen
2. voer dit in in een PDP netwerk met 2 output units (mijn of rots)
3. systeem trainen: aanpassing van weights

Question 9

gradient descent learning

Answer 9

de steeds kleine aanpassen van weights

zo noemde Clark het

Question 10

Voorbeeld 3: gezichtsherkenning

hier was mens heel goed in volgens Churchland

Answer 10

Traditionele AI was niet goed in gezichtsherkenning, maar mensen wel.
Garrison Cottrell heeft een AI DPD gezichtherkenningssysteem gemaakt met 3 lagen:
1. input laag (gezicht/geen gezicht)
2. tussenlaag (man/vrouw)
3. detectielaag (naam van persoon)

was geen kwestie van geheugen

Question 11

Backpropagation

Answer 11

bijstellen connecties als output fout was. we weten dat het systeem de weights aanpast, maar weten niet presies waarom die weights.

Question 12

Probleem met de eerste generatie modellen?

Answer 12

snapshot reasoning; tijd is uit het model gelaten. maar dit is wel belangrijk als je beweging of taalverwerking wil laten werken. om hier rekening mee te houden gebruiken we recurrent pathways

Question 13

recurrent pathways

Answer 13

terugkoppelende banen met contextuele informatie op de sensorische input.

Question 14

Voordelen connectionisme

Answer 14

• economische manier van representeren
• scahde tolerantie
• patroonafmaking
• gratis generalisatie

Question 15

economische manier van presenteren

Answer 15

opeenstapeling; ke kan dezelfde units verbindeningen gebruiken om vele representaties op te slaan. Je hebt dus niet zoals Shakey voor elke representatie een nieuwe unit nodig.

Question 16

schade tolerantie

Answer 16

doordat het systeem parallel is en niet serieel kun je wel een unit missen en dan toch de juiste output krijgen. dit uit zich in graceful degredation

Question 17

graceful degradation

Answer 17

het systeem gaat slechts langzaamaan stuk en heeft dus hoge damage tolerance

Question 18

patroonafmaking

Answer 18

zelfs als de input niet compleet is, is de output toch wel correct, omdat patronen worden afgemaakt.

Question 19

gratis generalisatie

en chinese kamer argument

Answer 19

als input A2 op A1 lijkt, kun je adequaat handelen, zelfs al is de situatie nieuw.
dit geeft wel een connectie tussen syntax en semantiek. er bestaat een link tussen inhoud, representatie en de manier van vormgeven -> wat een antwoord is op het chinese kamer argument.

Question 20

implicaties connectionisme

Answer 20

• representaties in het brein; als die gedistribueerd zijn (economische representatie) kunnen we dus niet langer zien als discrete entiteiten, wat betekent dat propositionele attituden in de klassieke zin niet bestaan.
• therapie; je kan niet het ene veranderen zonder het andere te veranderen.