課程資訊
課程名稱
 計算認知神經科學
Computational Cognitive Neuroscience 
開課學期
 104-1 
授課對象
 電機資訊學院  生醫電子與資訊學研究所  
授課教師
 鄭士康 
課號
 EE5156 
課程識別碼
 921 U4370 
班次
  
學分
 3 
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
 電二145 
備註
 總人數上限：50人 
Ceiba 課程網頁
 http://ceiba.ntu.edu.tw/1041EE5156_ 
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:本課程為一跨領域課程, 除有關電機資訊系所同學外, 歡迎心理系所, 腦與心智研究所,神經生物與認知科學學程,
生命科學院相關系所, 醫學系所, 精神疾病藥物領域之藥學系所, 生化領域之化學系所, 物理系所, 數學系所, 及其他
有興趣校內外同學選修或旁聽, 有興趣的校內外老師先進也歡迎來指導及參與討論.

注意: 作業及期末專題之書面報告, 不允許直接照抄或翻譯文獻中之文句(此為嚴重違反學術倫理之行為, 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).
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.

本課程係由人類探討古老富爭議之"心智-腦問題"(Mind-Brain Problem, 從前被稱為Mind-Body問題)的過程衍生,
介紹此一問題之核心研究領域-腦科學-的新研究工具:人類認知神經系統之電腦軟硬體量化計算模型的基礎原理,限制,
與實作方式, 用以解說基本人類認知現象以及病態發生的機制, 進而影響眾多其他科技與人文社會研究領域的發展.

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, 目前一般已認為應該仔細探討人類智能(大部分以認知行為呈現)的神經科學機制. 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), 及已進行多年, 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, 顛覆傳統馮.紐曼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但規模較小之研究計畫. 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, 但且少有課程強調計算機模擬之重要性與詳細說明其方法.
有鑑於計算認知神經科學的重要性日增, 依據去年第一次開課經驗及修課同學回饋建議, 調整課程重點及若干教學與評量方式,
再度開設本課程, 盼望有興趣的的老師專家學者先進與同學共同參與討論, 指導, 學習, 俾可提升台灣計算
認知神經科學知識的普及與研究能力, 任課教師亦可得集思廣益, 學而時習之, 不知老之將至之樂. 此外, 本校神經認知學程與相關系所提供亦若干門認知神經科學及心理與神經資訊學課程, 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
 使學生能針對爭議數千年, 困擾無數智者的人類基本"心智-腦問題," 透過學習新興電腦軟硬體量化計算模型原理與其
限制, 能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系統雛形,
用以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, 或在系統建立過程中, 發現過去哲學基礎, 理論
模型或實驗方法之瑕疵並提出合理修正建議, 甚或完成更可信之理論模型,得到更符合實際觀察實驗的模擬結果. 期望
學生得以由修習本課程之經驗, 建立計算認知神經科學基礎, 將來或可對
"心智-腦問題"之研究有所貢獻, 或者藉由所建立使用的軟硬體Neuromorphic 計算系統, 運用於提高人工智慧演算法
及機器人設計之效率及人機介面之改善. 
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與Matlab及二者有關的函式庫.
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
至於MATLAB, 本課程將會提供T. P. Trappenberg, Fundamentals of Computational Neuroscience, Oxford
University Press, 2010書中的附錄E: A brief introduction to MATLAB作為入門參考
.

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(constrains), 但不是本課程重點. 相關內容主要放置於參考教材, 由基礎開始介紹, 所以沒學過也行. 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, 內容過多, 不可能於所訂進度時間內教完. 因此教材將分成三類:
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

每週上課均由任課教師講解當週進度基礎教材, 不論教至何處, 上過課後當週進度即告完成. 上課中同學當然可以隨時發問,
但不會要求同學在課堂中小組討論或上台報告(作業繳交日及期末專題實作發表日例外). 依照歐美知名大學大部分課程
教學慣例, 未講解的基礎教材, 參考教材, 以及延伸學習教材, 請自行閱讀學習.
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, 一方面可隨時讀取任課老師準備之教材投影片, 或參考書籍電子版, 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, 方便註記重點, 疑問, 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, 或利用免費心智圖製作軟體XMind(http://actsmind.com/blog/)
或其他適當軟體工具, 統整紀錄聽講重點與心得, 各項上課時產生之資料均可上傳雲端, 課後隨時下載參考.

三. 作業
作業繳交日前每位修課同學需自訂一個本課程範圍內主題, 實作一項課程相關Python及/或Matlab程式, 並與文獻比較異同, 延伸
或批判其內容, 亦可提出自己的創新想法, 完成系統化討論, 以英文寫成一份8頁左右書面報告, 格式及寫作指引請參照
Peter Harris, Designing and Reporting Experiments in Psychology, 3rd ed., In Open Guides to Psychology.Maidenhead : McGraw-Hill Education. 2008.
台大電子書http://web.a.ebscohost.com/ehost/detail/detail?sid=ac4c4a5d-9dfa-4459-9d86-0b5fd79dd34c%40sessionmgr4004&crlhashurl=login.aspx%253fdirect%253dtrue%2526scope%253dsite%2526db%253dnlebk%2526db%253dnlabk%2526AN%253d234326&hid=4106&vid=0&bdata=JnNpdGU9ZWhvc3QtbGl2ZSZzY29wZT1zaXRl#db=nlebk&AN=234326&anchor=tocAnchor
以上書面報告請另外增添學習心得報告(可用中文)與程式碼作為附錄, 轉成一份pdf檔.同時並準備由同樣內容整理, 含標題頁之7張左右投影片power point檔,供作業討論日簡報之用.
書面報告pdf檔以及簡報PowerPoint合併壓縮成一個zip檔, 於作業繳交日上課前由CEIBA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.
作業繳交日最後一節, 輪流抽籤決定同學以其準備之投影片, 進行簡報, 若有系統展示(demo, 必要時播放預錄影片檔
可避免臨時出狀況)更佳.

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, 本課程作業需結合神經科學與心理學內涵, 不宜將他處課程之作業原封不動交來.

四. 認知模型系統期末專題實作
課程進行中, 修課及旁聽同學自組1至3人之團隊(鼓勵不同校系所同學合作), 於第11週由CEIBA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. 隨後團隊即持續合作, 以任何Python及/或Matlab工具,
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.
每一團隊應寫成一份英文書面報告, 格式同樣請參照Peter Harris, Designing and Reporting Experiments in Psychology, 3rd ed., In Open Guides to Psychology.Maidenhead : McGraw-Hill Education. 2008.
台大電子書http://web.a.ebscohost.com/ehost/detail/detail?sid=ac4c4a5d-9dfa-4459-9d86-0b5fd79dd34c%40sessionmgr4004&crlhashurl=login.aspx%253fdirect%253dtrue%2526scope%253dsite%2526db%253dnlebk%2526db%253dnlabk%2526AN%253d234326&hid=4106&vid=0&bdata=JnNpdGU9ZWhvc3QtbGl2ZSZzY29wZT1zaXRl#db=nlebk&AN=234326&anchor=tocAnchor
以上書面報告請另外增添學習心得報告(可用中文)與程式碼作為附錄, 轉成一份pdf檔.同時並準備由同樣內容整理, 含標題頁之7張左右投影片power point檔,供期末專題發表會簡報之用.
書面報告pdf檔以及簡報PowerPoint各自壓縮成zip檔, 於期末專題發表會原上課時間前由CEIBA系統分別上傳
期末專題發表會, 輪流抽籤決定同學以其準備之投影片, 進行簡報, 若有系統展示(demo, 必要時播放預錄影片檔, 可避免臨時出狀況)更佳.

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神經科學與心理學內涵, 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
 每週一 10:00~12:00 備註： 時程外請以email聯繫適當時間, 旁聽同學請於每週五課間及下課後與任課教師面談 
指定閱讀
 自編教材.
每週教材均會將相關power point檔, pdf檔, txt檔等, 置入XMind 6之心智圖工作簿xmind檔, 放在NTUSpace雲端空間
供同學下載, 因此請安裝免費軟體XMind 6 (http://actsmind.com/blog/) 以便開啟閱讀 
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哲
學, 神學, 經濟學, 社會學, 法學, 人類文化學, 人工智慧, 仿生學(Cybernetics), 機器人
學(Robotics), 機器學習(Machine Learning), 圖論(Graph Theory), 網路科學, 計算機
結構, IC系統設計, 藥理學, 基因科學, 分子生物學, 統計學, 教育學等範疇, 可參考之書籍
與論文頗多.

本課程教材除包括相關研究論文與報告外, 較相關之參考書條列如下(已通知圖書館置於參
考書架, 限館內閱覽):

[Computational Cognitive Neuroscience and Computational Neuroscience]
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

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.

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

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

R. D. Fields, The Other Brain: From dementia to schizophrenia, how new
discoveries about the brain are revolutionizing medicine and science, New
York: Simon & Schuster, 2010.
中文譯本: 道格拉斯.費爾茲(R. Douglas Field, Ph.D.)著 ; 楊宗宏, 楊凱雯, 潘震澤譯,
另一個腦 : 開啟思考、記憶健康與疾病的未知領域, 新北市 : 衛城, 2013.  
評量方式
(僅供參考)
  
No.
項目
百分比
說明
1. 
 兩次作業 
60% 
 每次作業30% 作業由任課教師批改, 評分要點為報告內容是否適當回應主題, 內容安排是否有創意且系統化, 自創想法是否有新意 且有證據支持, 邏輯論述是否清楚合理易懂, 相關文獻引用是否適當, Python/Matlab程式測試數值實驗安排及結果. 討論是否周延合理, 學習心得是否言之有物等. 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, 本課程作業需結合神經科學與心理學內涵, 不宜將他處課程之作業原封不動交來. 同學若自修或向其他師長先進, 學長或同學學得超過課程進度之內容,並應用於自行完成之作業, 需敘明自修或討論 學習過程於學習心得部份. 作業亦可利用其他既有之相關開放程式碼或無版權顧慮之軟硬體工具及網路上可公用之 數據, 影音, 圖片等資料, 直接或修改後採用, 以完成同學構想之主題, 但需註明出處及修改應用之處. 作業討論時間若抽到的修課同學未事先請假, 又不在教室內, 作業成績先九五折, 隨後由抽到之時間至該同學出現或下課, 每十分鐘將該份作業成績乘以0.95一次. 作業遲交時,成績先打九折,隨後自預定繳交日第一節開始上課時間算起,每逾一日(24小時),該次作業成績乘以0.85 一次. 若因另有要事無法出席作業討論者, 仍須於作業討論日上課第一節前上傳作業壓縮檔. 並須與授課老師商量, 於適當時間進行作業簡報. 
2. 
 期末專題口頭報告及展演 
20% 
 於期末專題發表日(期末考日)原上課第一節時間開始, 輪流抽籤決定報告團隊. 每個團隊都會上台, 簡報加系統展示 (必要時得播放預錄影片)10分鐘,持續到所有團隊報告完畢. 如果團隊數過多, 無法於4小時內結束, 任課老師可能 重新安排專題發表時間, 將其延長至一到兩整天. 簡報時其他聽講同學為報告團隊以1至5分評分, 並註記優缺點. 自己團隊報告時, 應迴避不予評分. 所評分數1至5分各分數所占人數應照報告當日宣佈之規定比例分配, 不可全部 打相同或只打少數特定分數. 各團隊之口頭報告及展演成績為其他同學評分截頭去尾後平均(x),換算得分為 70+5x, 缺席為0分. 因不可抗力原因如參加遊學團或其他課程之野外實習等, 須盡早通知任課教師請假. 每團隊於報告日當天, 至少要有 一人出席簡報成果. 若因如上述原因, 致報告時間無人能參加簡報者, 須及早通知任課老師, 可安排於最後上課日 最後一節下課前簡報. 但要求之pdf檔仍應於規定時間之前上傳.發表會後, 若確因不可抗力原因致團隊中無人能出席 發表會者, 須附證明, 並於報告日當晚12:00前以email通知任課老師, 安排第二日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. 無論何種情形, 專題報告之Power Point 檔均應於規定時間前上傳. 遲交者不論原因, 成績打八折.  
3. 
 期末專題書面報告 
20% 
 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. 不論原因, 遲交者成績打八折,期末專題發表日開始算起兩天(48小時)後,不再收補交之書面報告,該項成績為零分 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, 本課程期末實作需結合神經科學與心理學內涵, 不宜將他處課程之term project原封不動交來.  
 
課程進度
週次
日期
單元主題
第1週
 9/18  Cognitive Psychology and Python 
第2週
 9/25  Spiking Models and nengo 
第3週
 10/02  Neural Engineering Framework (NEF) 
第4週
 10/09  雙十連假 
第5週
 10/16  Semantic Pointer Architecture (SPA) 
第6週
 10/23  Neurons 
第7週
 10/30  Networks, 繳交第一次作業 
第8週
 11/06  Perceptions 
第9週
 11/13  Deep Belief Network and Autoencoder 
第10週
 11/20  Motor and Control 
第11週
 11/27  Attenion, 繳交期末專題實作分組名單及實作主題簡述 
第12週
 12/04  Short-Term and Working Memories 
第13週
 12/11  Long-Term Memory 
第14週
 12/18  Learning in General, 繳交第二次作業 
第15週
 12/25  Reinforcement Learning 
第16週
 1/01  元旦假日 
第17週
 1/08  Decision Making 
第18週
 1/15  期末專題實作成果發表會