課程大綱

課程資訊

課程名稱

計算認知神經科學
Computational Cognitive Neuroscience

開課學期

110-1

授課對象

電機資訊學院電機工程學研究所

授課教師

鄭士康

課號

EE5156

課程識別碼

921 U4370

班次

學分

3.0

全/半年

半年

必/選修

選修

上課時間

星期五7,8,9(14:20~17:20)

上課地點

電二102

備註

總人數上限：40人

Ceiba 課程網頁

http://ceiba.ntu.edu.tw/1101EE5156_

課程簡介影片

核心能力關聯

本課程尚未建立核心能力關連

課程大綱

為確保您我的權利,請尊重智慧財產權及不得非法影印

課程概述

.注意:本課程將需主動投入甚多時間搜尋閱讀可能超過課程進度或範圍之大量且結論可能互相矛盾的參考書籍, 文獻, 及網路資源; 且必須撰寫作業報告及分組完成期末專題實作, 兩者均需完成認知行為之模型實作, 並能討論其成果. 課業繁重, 學習較被動, 無強烈決心及毅力之同學請慎重考慮.

注意: 作業及期末專題之書面報告, 作業及專題報告必須遵循學術倫理, 若有違反, 一經查獲,
該項成績將以零分計.(若在美國名校, 將導致被開除之後果. 倘此舉發生於投稿論文, 將使有關當事人均喪失信譽, 難以在學術界立足).

至於是否違反學術倫理的判別, 個人認為就是有沒有適切回答如下問題：「此一內容的寫法是否會讓人以為那是我研發的成果?」如果是你的心血, 要適度顯著說明貢獻範圍
如果是別人的成果, 要明確標示來源, 不可曖昧引用或隱瞞, 意圖使讀者被誤導, 以為是你的貢獻.

同時請注意: 本課程與人工智慧相關課程如Artificial Intelligence, Artificial Neural Networks, Deep Learning, Machine Learning等, 仍有一些差距, 作業與實作應包含神經科學及心理學內涵, 不宜將其他課程的作業或Term Project, 不經修改即作為本課程作業或實作報告繳交.

注意: 各團隊認知模型系統期末專題實作成績即各成員共同之期末專題成績,占學期成績之40%. 因此務必慎選夥伴, 若有重大合作困難,請及早反應處理.

注意: 除非成績登錄發生錯誤,絕不更改成績.

課程簡介:
本課程將介紹認知神經科學的計算模型之基礎原理,限制,與程式實作方式, 用以模擬基本人類認知現象的機制, 進而應用於機器人之設計.
人類對大至太空宇宙, 小至基本粒子, 均已有相當充分的了解, 但對於人類自身內部的小宇宙 (其神經系統堪稱為全宇宙最複雜龐大的通訊控制網路系統)卻所知不多.

電腦發明後, 人們也開始設想電腦的人工智慧有沒有可能超越人類的智能(超過的那一天, 被稱為Singularity), 電腦能力全面超過人類後的情境,
在科幻電影如"全面進化"(https://www.youtube.com/watch?v=PS879Fj3O_k), "魔鬼終結者," "駭客任務"等,
在在可看出人類對於提高電腦智能又害怕又期待的心態. 然而要提高電腦智能, 由過去認知科學的研究經驗得知,
電腦認知演算法, 如自動語音辨識, 圖形識別, 深度學習等, 由人腦或生物認知結構簡化衍生(Biologically Inspired)的方法,
多半具備較佳的效能. 因此, 如同科幻小說家Issac Assimov所撰寫的短篇小說<<天堂異鄉人>>(Stranger in Paradise, 收錄於葉李華譯,
艾西莫夫機器人[短篇全集-全新修訂版(上)], 台北市:貓頭鷹出版社, 2014, 頁119~149)所顯示, 機器人學應該與研究大腦的"智人學" 合作, 仔細探討人類智能(大部分以認知行為呈現)的神經科學機制, 應用於機器人研發, 才可能避免複雜到無法處理的設計, 製造出高效能機器人. 微軟公司全球副總裁沈向洋博士主管微軟人工智慧產品的開發. 在2017年接受商業周刊訪問時, 就提到：「AI 再往前看十年、二十年，真正有所突破的地方，從研究的角度而言，還是腦神經科學。接下來，『腦科學加上 AI 』一定會成為科研角度最激動人心的方向」。(https://theinitium.com/article/20170323-mainland-conversationalai/)。

除了能力更像或可能超過人類的機器人設計外, 對大腦認知機制的研究, 更可能為人類的認知行為了解以及認知疾病如帕金森氏症, 阿茲海默症等的病理機轉與緩解, 讓肢障人士得以應用"想像"使用義肢("神經機器人學"(Neurorobotics)
主要課題之一)等帶來曙光, 因此過去一,二十年, 對神經細胞與系統,
尤其是腦神經與認知行為的關聯, 有近乎爆炸性的研究發展與應用. 先進各國紛紛投入大量人力及鉅資進行大規模的研究.

著名的研究計畫如美國的
The BRAIN Initiative (http://www.nih.gov/science/brain/,
http://en.wikipedia.org/wiki/BRAIN_Initiative);
歐盟的The Human Brain Project (https://www.humanbrainproject.eu/,
http://en.wikipedia.org/wiki/Human_Brain_Project);
已進行多年, 使用IBM超級電腦的
The Blue Brain Project (http://bluebrain.epfl.ch/, http://en.wikipedia.org/wiki/Blue_Brain_Project );
由腦神經科學啟發, 顛覆傳統von Neumann架構的非傳統類神經網路平行運算硬體系統
SpiNNaker(http://apt.cs.manchester.ac.uk/projects/SpiNNaker/project/, S. B. Furber, et. al.
"The SpiNNaker Project," IEEE Proceedings, vol.102, no.5, 2014, pp 652-665; S. B. Furber et. al.,
"Overview of the SpiNNaker System Architecture," IEEE Transactions on Computers, vol. 62, no. 12, 2013, pp. 2454 - 2467)等.

國內多年前即有認知科學及神經科學方面的研究教學單位接連成立, 並有數位先進執行類似研究計畫.
台大亦先後成立神經生物與認知科學研究中心, 神經生物與認知科學學程, 腦與心智研究所, 系統生物學研究中心等單位或學程.
在心理系所有包括高等認知神經科學, 心理與神經資訊學等認知心理學的課程與研究. 在生命科學院, 台大醫院, 工學院醫工研究所,
電資學院生醫電子資訊所等也持續進行神經科學研究. 但就
任課教師所知, 國內研究大多採用動物實驗數據, 腦波, 或生物影像觀察及推論等方法; 從事神經模擬方面研究的先進不算多. 雖然國內先進已有豐碩研究成果, 但仍少有課程強調計算機模擬之重要性與詳細說明其方法. 更無論其在機器人設計的應用.

至於機器人學的研究, 電機資訊學院與工學院相關系所老師也有相當成就, 但是還很少看到應用神經科學到機器人認知行為的探討.

有鑑於結合神經科學, 心理學, 人工智慧, 軟體技術, 機器人學等的計算認知神經科學重要性日增, 依據先前開課經驗及修課同學回饋建議,
參考本課程教科書作者建議的授課進度表,調整課程重點內容及若干教學與評量方式, 再度開設本課程, 同時鼓勵同學於課後交流實作經驗, 簡報內容與作業及期末專題構想與進度. 過去的期末專題, 已經產生出許多跨電資與生醫領域的成果, 令人欣慰.

最後, 亦請注意本校神經認知學程與相關系所, 均提供若干門認知神經科學及心理與神經資訊學課程. 在生醫及心理領域的內容, 遠較本課程所授完整深入, 同學可考慮一併或先後選修旁聽, 作為本課程於認知神經科學與心理學方面加深加廣的學習, 應可大幅增進學習成效.

課程目標

使學生能透過學習新興認知神經科學與其計算模型原理, 在大略符合神經生理學與認知心理學實驗觀察可靠文獻之前提下, 建立模擬人類認知行為的軟硬體雛形. 進而運用與傳統AI理論不同的方式, 設計更有效的認知機器人,
或探討人類認知行為的可能神經科學機制與其發生病態的可能原因.

課程要求

一. 預修科目:
1. 計算機程式設計: 本課程絕大部分的的範例, 作業, 期末專題等, 均使用Python程式語言. 修課同學不一定要學過Python, 課程中會有簡介, 但同學最好開學前就能對以下一般程式語言觀念有相當的了解: 變數, if...else,
迴圈(for, while, do...while), 函式(function), 一,二維陣列, 類別(class)與物件(object). 更實際一點來說,
如果能相當清楚以下YouTube影片介紹的Python內容, 對本課程的學習應該就沒有問題:
D. Banas, Python Programming (Learn Python in One Video,約45分鐘), https://www.youtube.com/watch?v=N4mEzFDjqtA
.

2. 機率與統計: 例如probability density function, 期望值, mean, variance, Gaussian distribution, Poisson distribution, random variables,
conditional probability, Bayes定理等.

3. 認知神經科學: 作為計算模型須符合的限制(constraints), 但不是本課程唯一重點. 上課時會由基礎開始介紹, 所以沒學過也行.

內容的深度與廣度, 當然不能與專門學系的有關課程相提並論. 要深入探討的同學請考慮同時或先後修習相關課程如腦與心智科學概論, 心與腦, 神經生理學,
認知心理學, 高等認知神經科學, 神經生物與認知科學學程等.

二. 上課方式:
任課教師提供的課程教材, 分成三類:
1. 基礎教材: 盡量詳細講解, 並於上課時間內上完的內容
2. 參考教材: 同學自修以及準備作業和期末專題時可參考的內容
3. 延伸學習: 同學深入瞭解之途徑

每週教材均為教科書相關內容及有關文獻重點提示. 相關power point檔, pdf檔, txt檔等, 將會置入XMind 8之心智圖工作簿xmind檔, 放在NTU COOL供同學下載, 因此請安裝免費軟體XMind 8 (http://actsmind.com/blog/) 以便開啟閱讀.

每週上課講解教材. 為得到最好學習效果, 強烈建議同學課前主動妥為預習, 上課時可攜帶具校園內無線上網功能之筆記型或平板型電腦, 可隨時讀取任課老師準備之教材投影片, 或參考電子書, 又可隨時搜尋網路相關資源, 下載或上傳資料至雲端空間如NTUSpace, 方便課內課外利用電子筆記本如Notion, Evernote或OneNote註記重點, 疑問, 心得, 備份資料, 及整理所得資訊後提供的看法; 另一方面也可以隨時依教學內容, 逐步跟著任課教師之說明實作或觀察課程範例內容.

三. 作業
1. 第一次作業(個別完成)以文獻回顧為主,
至少要整合三篇論文, 並且清楚說明
要解決的問題, 重要性, 困難點,
各種解決方法簡介, 各種方法的優缺點比較,
整理文獻後的心得

2. 第二次作業(個別完成), 完成所選問題的
初步實作. 研究主題比較重要,
實作工具沒有限制(當然, 有些工具比較方便),
但實作必須含有自己發想的問題解法與結果討論.
只把文獻所附的程式碼跑一遍, 分數不會太高..

3. 至於作業與報告的字體頁數參考文獻等細節,
除了頁數應在 4 ~~ 6 頁外, 請自行找國內外相關期刊或會議
的規定, 撰寫"好像要投稿"的論文就可以了. 最好註明
你所依據的期刊或會議的名稱. 中英文撰寫均可.

4. 以上書面報告轉成pdf檔. 同時請另外撰寫學習心得 (中文)與程式碼作為附錄, 轉成另一份pdf檔. 此外並錄好五分鐘左右簡報短片, 上傳 YouTube. 供同學相互觀摩.

5. 作業書面報告pdf檔以及簡報短片網址, 於作業繳交日上課前由 NTU COOL 系統分開上傳. 作業每次每人繳交一份, 不可多人合交. 如為多人合作, 亦須分開撰寫不同內容.

6. 請注意本課程與人工智慧相關領域如Neural Networks, Deep Learning, Machine Learning等有所差距, 本課程作業需結合本課程內涵, 不宜將他處課程之作業原封不動交來.

7. 作業成績遲交者, 每逾一日(以每天下午2:00計), 成績八五折.

8. 注意課程概述中有關抄襲的規定.

四. 認知模型系統期末專題實作
1. 課程進行中, 修課及旁聽同學自組1至3人之團隊, 於學期中開始, 由 NTU COOL 繳交團隊名單及一頁
之期末專題構想, 說明預定模擬之認知功能, 及可能之電腦模型軟硬體實作方法, 完成之計算模型, 鼓勵
設計簡化的機器人軟體模型及其模擬環境, 以 Nengo 及 Python 實作. 也可以進行腦區與神經核系統的 NEURON 軟體模擬, 或者適合所選主題的軟體. 隨後團隊即持續合作, 建立模擬系統, 並與認知心理學, 神經生理學, 認知神經科學, 或類似之計算認知心理學主題有關文獻比較, 討論結果合理性, 相似相異處, 方法優缺點等.

2. 專題實作主題建議
Build a creature to seek food and return to a home nest
Build a serial working memory model that allows for loading, reset, etc.
Build a robot controller for a robot that you present instructions to, that it memorizes and then executes.
Build an adaptive controller for a 3-link arm using Slotine's adaptation methods.
Build a model that does any one of the tasks in Spaun.
(以上取自教科書網頁: Using the book as a text, http://www.nengo.ca/build-a-brain/textbookuse)

Build a brain subsystem model using NEURON
(可參考ModelDB https://senselab.med.yale.edu/ModelDB/)

3. 每一團隊應合作寫成一份中文或英文書面報告, 格式同樣請參照作業規定.
以上書面報告, 轉為一份pdf檔. 學習心得(可用中文)與程式碼則轉成另一份pdf檔. 並錄好10~15分鐘左右簡報短片, 上傳 YouTube. 供同學相互評分.

4. 兩份pdf檔以及簡報Youtube 網址於原定期末專題發表會上課時間前, 由 NTU COOL 系統分開上傳.
專題簡報同儕互評評分表則請於專題簡報截止收件當天晚上 11:30 前上傳 NTU COOL 對應作業區.

5. 請注意本課程與人工智慧等之理論或研究成果領域如Neural Networks, Deep Learning, Machine Learning等有所差距, 本課程期末專題實作需結合本課程內涵, 不宜將他處課程之Term Project原封不動交來.

預期每週課後學習時數

Office Hours

另約時間備註： email 約定

指定閱讀

C. Eliasmith, How to Build a Brain: A Neural Architecture for Biological
Cognition (Oxford Series on Cognitive Models and Architectures), Oxford
University Press, 2013.
台大總圖Oxford Scholarship Online電子書
http://www.oxfordscholarship.com/view/10.1093/acprof:oso/9780199794546.001.0
001/acprof-9780199794546
各章實作指引 Nengo 2.0 版 https://github.com/s72sue/Nengo2-Tutorials

Richard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction, 2nd. ed., Cambridge, MA: The MIT Press, 2018. (主要用在第13章 Learning)

參考書目

本課程為一跨領域課程, 除認知心理學, 數值模擬, 及神經科學外, 亦多少涉及或可應用於機器人學(Robotics), 機器學習(Machine Learning), 圖論(Graph Theory), 網路科學, 哲學, 人工智慧, 計算機結構等範疇, 可參考之書籍與論文頗多.

本課程教材除參考各式有關教科書, 研究論文與報告外, 較相關之參考書條列如下:

[Computational Cognitive Neuroscience and Computational Neuroscience]
G. Lindsay, Models of the Mind: how physics, engineering and mathematics have shaped our understanding of the brain. London: Bloomsbury Sigma, 2021.
台大電子書 https://www.bloomsburycollections.com/book/models-of-the-mind-how-physics-engineering-and-mathematics-have-shaped-our-understanding-of-the-brain/

R. C. O'Reilly, Y. Munakata, T. Hazy, and M. J. Frank, Computational
Cognitive Neuroscience, 2nd edition, 2014.
電子書(Wiki book) https://grey.colorado.edu/CompCogNeuro/index.php?
title=CCNBook/Main

P. W. Glimcher and E. Fehr ed., Neuroeconomics: Decision Making and the
Brain, 2nd ed., Oxford, UK: Elsevier Inc. ( in association with the Society
for Neuroeconomics—www.neuroeconomics.org), 2014.
台大總圖ScienceDirect電子書
http://www.sciencedirect.com/science/book/9780124160088

B. Anderson, Computational Neuroscience and Cognitive Modelling: A Student's
Introduction to Methods and Procedures, London: SAGE, 2014. (所用數學及程式語
言的簡單介紹, 對非電資學院同學比較有用)

T. P. Trappenberg, Fundamentals of Computational Neuroscience, Oxford
University Press, 2010. 另附參考資源網址:
http://www.cs.dal.ca/~tt/fundamentals

D. Sterratt, B. Graham, A. Gillies, D. Willshaw,
Principles of Computational Modeling in Neuroscience
Cambridge University Press, 2011.

[Cognitive Neuroscience]
M S. Gazzaniga, R. B. Ivry, G. R. Mangun, Cognitive Neuroscience: The
Biology of the mind, 4th ed., New York: Norton, 2013.

D. Purves, R. Cabeza, S. A. Huettel, K. S. LaBar, M. L.
Platt, M. G. Woldorff, Principles of Cognitive Neuroscience, Sunderland,
MA, USA: Sinauer Associates, Inc.., 2013. 另附參考資源網址:
http://sites.sinauer.com/cogneuro2e/index.html

[Neural Science]
E. R Kandel ed., Principles of neural science, 5th ed., New York : McGraw-
Hill Medical, 2013.

[Cognitive Psychology and Psychological Science]
M. S. Gazzaniga, T. F. Heatherton, D. F. Halpern, Psychological
science, 4th ed., New York : W. W. Norton, 2013. 另附參考資源網
址:http://www.wwnorton.com/college/psych/psychsci4/ch/01/studyplan.aspx

[Cognitive Science]
J. L. Bermudez, Cognitive science : an introduction to the science of
the mind, 2nd ed., Cambridge : Cambridge University Press, 2014.

John R. Anderson, How can the human mind occur in the physical universe?
New York : Oxford University Press, 2007.

[Philosophy]
Stuart M. Shieber, The Turing Test:Verbal Behavior as the Hallmark of Intelligence,
MA: MIT Press, 2004.
台大總圖IEEE Xplore電子書,
http://ieeexplore.ieee.org/xpl/bkabstractplus.jsp?bkn=6267336

W. R. Uttal, Mind and Brain: A critical appraisal of cognitive neuroscience,
Cambridge, MA: MIT Press, 2011.

[ROS]
M. Quigley, B. Gerkey, and W. D. Smart, Programming Robots with ROS:
A practical introduction to the Robot Operating System, Sebastopol, CA:
O'Reilly Media, Inc., 2015.

[推薦科普讀物]
R. Carter, Mapping the Mind, University of California Press, 2000.

E. B. Baum, What is thought? Cambridge, Mass. : MIT Press, 2004.

評量方式
(僅供參考)

No.	項目	百分比	說明
1.	期末專題簡報同儕互評評分表	0%	為其他團隊期末專題簡報之評分表. 自己團隊之作品則應予迴避不評分. 所評分數1至5分各分數所占人數應照屆時宣佈之規定比例分配, 不可全部打相同或均打少數特定. 各團隊之簡報成績為其他同學評分截頭去尾後平均(x),換算得分為 70+5x, 未如期簡報之團隊除有特殊原因外, 以0分計算.
2.	期末專題心得報告及程式碼	0%	另外撰寫學習心得連同程式碼, 轉成另一份pdf檔上傳. 每一組繳交一份即可.
3.	期末專題簡報	20%	各團隊應完成期末專題實作, 並製作10~15分鐘左右解說展演投影片上傳 Youtube, 再將 Youtube 網址上傳 NTU COOL. 每位同學並須為其他組簡報以1至5分評分,並鼓勵註記優缺點. 自己團隊之作品則應予迴避不評分. 所評分數1至5分各分數所占人數應照屆時宣佈之規定比例分配, 不可全部打相同或均打少數特定. 各團隊之簡報成績為其他同學評分截頭去尾後平均(x),換算得分為 70+5x,未如期簡報之團隊除有特殊原因外, 以0分計算. 團隊之簡報成績即為團隊成員的簡報成績. 若確因不可抗力原因致無法完成簡報之團隊, 須附證明, 並於1月21日中午12:00前以email通知任課老師, 安排適當時間向任課老師簡報, 並由任課教師評分. 如仍無法簡報者, 由團隊與任課老師商討變通方法.
4.	期末專題書面報告	20%	課程進行中, 修課及旁聽同學自組1至3人之團隊, 針對預定模擬之認知功能, 以電腦模型軟硬體實作, 完成計算模型. 團隊持續合作, 以Nengo及Python 建立可能產生此等現象之認知神經科學模擬系統, 並與認知心理學, 神經生理學, 認知神經科學, 或類似之計算認知心理學主題有關文獻比較, 討論結果合理性, 相似相異處, 方法優缺點等, 完成書面報告繳交. 書面報告由任課老師主觀依照書面報告之整體表現, 以 A+ = 97, A = 92, A- = 87, B+ = 82, B = 77, B- = 72 等評分, 缺交為0分. 團隊之期末專題書面報告成績即為各團隊成員之期末專題書面報告成績. 評分為A+的期末專題書面報告將會公布於 NTU COOL 網站, 供所有同學參考. 不論原因, 遲交者成績打八折,且於最後一週的下一個星期一下午5:00 後不再收補交之報告,該項成績為零分.
5.	期末專題主題及合作組員名單	0%	課程進行中, 修課及旁聽同學自組1至3人之團隊, 於其中開始, 由NTU COOL 繳交團隊名單及一頁之期末專題構想, 說明預定模擬之認知功能, 及可能之電腦模型軟硬體實作方法, 完成計算模型. 本項目不計分, 可補交. 但至少請在最後一週下課前, 上傳分組名單, 以便分組, 方便以組為單位, 繳交期末專題. 如未有分組番號, 隨意上傳文件, 常會使其他小組無法上傳其成果.
6.	作業 2 簡報	0%	錄好五分鐘左右簡報短片, 上傳 YouTube. 供同學相互觀摩. 並將網址上傳 NTU COOL.
7.	作業 2 心得報告及程式碼	0%	另外撰寫學習心得連同程式碼, 轉成另一份pdf檔上傳.
8.	作業 2 書面報告	30%	1. 第二次作業(個別完成), 完成所選問題的初步實作. 研究主題比較重要, 實作工具沒有限制(當然, 有些工具比較方便), 但實作必須含有自己發想的問題解法與結果討論. 只把文獻所附的程式碼跑一遍, 分數不會太高.. 2. 至於作業與報告的字體頁數參考文獻等細節, 除了頁數應在 4 ~~ 6 頁外, 請自行找國內外相關期刊或會議的規定, 撰寫"好像要投稿"的論文就可以了. 最好註明你所依據的期刊或會議的名稱. 中英文撰寫均可. 3. 以上書面報告轉成pdf檔. 同時請另外撰寫學習心得與程式碼作為附錄, 轉成另一份pdf檔 4. 作業書面報告pdf檔由 NTU COOL 系統上傳. 作業每次每人繳交一份, 不可多人合交. 如為多人合作, 亦須分開撰寫不同內容. 5. 請注意本課程與人工智慧相關領域如Neural Networks, Deep Learning, Machine Learning等有所差距, 本課程作業需結合本課程內涵, 不宜將他處課程之作業原封不動交來. 6. 作業成績遲交者, 每逾一日(以每天下午2:00計), 成績八五折. 7. 注意課程概述中有關抄襲的規定. 8. 書面報告由任課老師主觀依照書面報告之整體表現, 以 A+ = 97, A = 92, A- = 87, B+ = 82, B = 77, B- = 72 等評分, 缺交為0分. 9. 評分為A+的作業書面報告將會公布於NTU COOL網站, 供所有同學參考.
9.	作業 1 簡報	0%	錄好五分鐘左右簡報短片, 上傳 YouTube. 供同學相互觀摩. 並將網址上傳 NTU COOL.
10.	作業 1 心得報告及程式碼	0%	另外撰寫學習心得, 連同程式碼, 轉成另一份pdf檔上傳.
11.	作業 1 書面報告	30%	1. 第一次作業(個別完成)以文獻回顧為主, 至少要整合三篇論文, 並且清楚說明要解決的問題, 重要性, 困難點, 各種解決方法簡介, 各種方法的優缺點比較, 整理文獻後的心得 2. 至於作業與報告的字體頁數參考文獻等細節, 除了頁數應在 4 ~~ 6 頁外, 請自行找國內外相關期刊或會議的規定, 撰寫"好像要投稿"的論文就可以了. 最好註明你所依據的期刊或會議的名稱. 中英文撰寫均可. 3. 以上書面報告轉成pdf檔. 同時請另外撰寫學習心得與程式碼作為附錄, 轉成另一份pdf檔. 4. 作業書面報告pdf檔於作業繳交日上課前由 NTU COOL 系統分開上傳. 作業每次每人繳交一份, 不可多人合交. 如為多人合作, 亦須分開撰寫不同內容. 5. 請注意本課程與人工智慧相關領域如Neural Networks, Deep Learning, Machine Learning等有所差距, 本課程作業需結合本課程內涵, 不宜將他處課程之作業原封不動交來. 6. 作業成績遲交者, 每逾一日(以每天下午2:00計), 成績八五折. 7. 注意課程概述中有關抄襲的規定. 8. 書面報告由任課老師主觀依照書面報告之整體表現, 以 A+ = 97, A = 92, A- = 87, B+ = 82, B = 77, B- = 72 等評分, 缺交為0分. 9. 評分為A+的作業書面報告將會公布於NTU COOL 網站, 供所有同學參考.

課程進度

週次	日期	單元主題
第1週	9/24	1. Science of Cognition. Text: Sections 1.1 ~ 1.2 - The Science of Cognition: A brief history of cognitive science, Central features of the main approaches. Sections 1.3 ~ 1.4 - Challenges for cognitive science: Overview of the approach in this course. Extension: Cognitive Psychology and Python.
第2週	10/1	2. Neurons. Text: Sections 2.2 - An introduction to basic neurophysiology and anatomy: Extension: Spiking Models, Physiology and computational models of neurons. Software NEURON
第3週	10/8	2. Neurons
第4週	10/15	2. Neurons.
第5週	10/22	3. Brains. Text: Section 2.3 - Levels of description in the behavioral sciences. Extension: Brain, Connectivity.
第6週	10/29	3. Brains. 4. Perceptions 繳交第一次作業.
第7週	11/5	4. Perceptions, 5. NEF Principle 1: Representation
第8週	11/12	5. NEF Principle 1: Representation. 6..NEF Principles 2: Computation. Text: Sections 2.2.2 Principle 2 of the NEF - computation.
第9週	11/19	7. NEF Principle 3: Dynamics. Text: Section 2.2.3 - Principle 3 of the NEF - dynamics. 8. Autoencoder and Semantic Pointer Hypothesis.
第10週	11/26	8. Autoencoder and Semantic Pointer Hypothesis. 9. Vector Symbolic Architectures and Structured Concepts. Text: Sections 4.1 - 4.7 Syntactic representations, Vector symbolic architectures, Implementations of VSAs in neurons. Learning syntactic manipulations, Modeling fluid intelligence, Syntax and semantics for structured concepts. 繳交期末專題實作分組名單及實作主題簡述.
第11週	12/3	9. Vector Symbolic Architectures and Structured Concepts. 10. Action Control: Physiology Text: Sections 5.1-5.3 Basal ganglia anatomy and physiology, Basal ganglia function. Extension: execution and dementia, 繳交第二次作業.
第12週	12/10	10. Action Control: Physiology 11. Action Control: Models. Text: Sections 5.4, 5.6-5.8 Basal ganglia use for flexible action selection, Example uses of the basal ganglia model in the SPA.
第13週	12/17	11. Action control: Models 12. Memory Text: Sections 6.1-6.3 Introduction to cognition through time, Working memory and serial working memory. Extension: Psychological and physiological views Short-time and long-time memory, memory and dementia
第14週	12/24	12. Memories. 13. Learning Text: Sections 6.4 Physiology of Learning Spike-timing dependent plasticity (STDP), Learning transformations with the hPES rule.
第15週	12/31	開國紀念日遇例假日補假
第16週	1/7	13, Learning: Reinforcement Learrning
第17週	1/14	14. Spaun Model. Text: Sections 7.1-7.3 A review and overview of the SPA, The Spaun model and tasks.
第18週	1/15~1/21	期末專題實作成果發表: 簡報短片上傳 Youtube, 繳交Youtube 網址, 同儕互評評分表, 及期末專題書面報告, 學習心得(含程式碼).