Cover Image

Computational modeling of cognition and behavior / Simon Farrell, University of Western Australia, Perth, Stephan Lewandowsky, University of Bristol.

Show other versions (1)
Saved in:
Bibliographic Details
Main Authors: Farrell, Simon, 1976- (Author), Lewandowsky, Stephan (Author)
Format: Book
Language:English
Published: Cambridge, United Kingdom ; New York, NY : Cambridge University Press, 2018.
Subjects:
Cognition > Mathematical models.
Psychology > Mathematical models.

MARC

LEADER 00000cam a2200000 i 4500
001 b10134075
003 CoU
007 ta
008 170727t20182018enka b 001 0 eng
005 20231010161741.7
010 |a 2017025806 
020 |a 9781107109995 
020 |a 110710999X 
020 |a 9781107525610 
020 |a 1107525616 
035 |a (OCoLC)ocn995630312 
035 |a (OCoLC)995630312 
040 |a DLC  |b eng  |e rda  |c DLC  |d OCLCO  |d OCLCF  |d OCLCQ  |d YDX  |d CHVBK  |d OCLCO  |d W2U  |d U3G 
042 |a pcc 
049 |a CODA 
050 0 0 |a BF311  |b .F358 2018 
066 |c (S 
100 1 |a Farrell, Simon,  |d 1976-  |e author.  |0 http://id.loc.gov/authorities/names/n2010047645  |1 http://isni.org/isni/0000000382431295. 
245 1 0 |a Computational modeling of cognition and behavior /  |c Simon Farrell, University of Western Australia, Perth, Stephan Lewandowsky, University of Bristol. 
264 1 |a Cambridge, United Kingdom ;  |a New York, NY :  |b Cambridge University Press,  |c 2018. 
264 4 |c ©2018. 
300 |a xxii, 461 pages ;  |c 26 cm. 
336 |a text  |b txt  |2 rdacontent. 
337 |a unmediated  |b n  |2 rdamedia. 
338 |a volume  |b nc  |2 rdacarrier. 
504 |a Includes bibliographical references and index. 
650 0 |a Cognition  |x Mathematical models. 
650 0 |a Psychology  |x Mathematical models.  |0 http://id.loc.gov/authorities/subjects/sh85108463. 
650 7 |a Cognition  |x Mathematical models.  |2 fast  |0 (OCoLC)fst00866468. 
650 7 |a Psychology  |x Mathematical models.  |2 fast  |0 (OCoLC)fst01081481. 
700 1 |a Lewandowsky, Stephan,  |e author.  |0 http://id.loc.gov/authorities/names/n90679823  |1 http://isni.org/isni/0000000384110241. 
880 0 0 |6 505-00  |a Machine generated contents note:  |g pt. I  |t Introduction to Modeling --  |g 1.  |t Introduction --  |g 1.1.  |t Models and Theories in Science --  |g 1.2.  |t Quantitative Modeling in Cognition --  |g 1.2.1.  |t Models and Data --  |g 1.2.2.  |t Data Description --  |g 1.2.3.  |t Cognitive Process Models --  |g 1.3.  |t Potential Problems: Scope and Falsifiability --  |g 1.4.  |t Modeling as a "Cognitive Aid" for the Scientist --  |g 1.5.  |t In Vivo --  |g 2.  |t From Words to Models --  |g 2.1.  |t Response Times in Speeded-Choice Tasks --  |g 2.2.  |t Building a Simulation --  |g 2.2.1.  |t Getting Started: R and RStudio --  |g 2.2.2.  |t The Random-Walk Model --  |g 2.2.3.  |t Intuition vs. Computation: Exploring the Predictions of a Random Walk --  |g 2.2.4.  |t Trial-to-Trial Variability in the Random-Walk Model --  |g 2.2.5.  |t A Family of Possible Sequential-Sampling Models --  |g 2.3.  |t The Basic Toolkit --  |g 2.3.1.  |t Parameters --  |g 2.3.2.  |t Connecting Model and Data --  |g 2.4.  |t In Vivo --  |g pt. II  |t Parameter Estimation --  |g 3.  |t Basic Parameter Estimation Techniques --  |g 3.1.  |t Discrepancy Function --  |g 3.1.1.  |t Root Mean Squared Deviation (RMSD) --  |g 3.1.2.  |t Chi-Squared(χ2) --  |g 3.2.  |t Fitting Models to Data: Parameter Estimation Techniques --  |g 3.3.  |t Least-Squares Estimation in a Familiar Context --  |g 3.3.1.  |t Visualizing Modeling --  |g 3.3.2.  |t Estimating Regression Parameters --  |g 3.4.  |t Inside the Box: Parameter Estimation Techniques --  |g 3.4.1.  |t Simplex --  |g 3.4.2.  |t Simulated Annealing --  |g 3.4.3.  |t Relative Merits of Parameter Estimation Techniques --  |g 3.5.  |t Variability in Parameter Estimates --  |g 3.5.1.  |t Bootstrapping --  |g 3.6.  |t In Vivo --  |g 4.  |t Maximum Likelihood Parameter Estimation --  |g 4.1.  |t Basics of Probabilities --  |g 4.1.1.  |t Defining Probability --  |g 4.1.2.  |t Properties of Probabilities --  |g 4.1.3.  |t Probability Functions --  |g 4.2.  |t What Is a Likelihood--  |g 4.3.  |t Defining a Probability Distribution --  |g 4.3.1.  |t Probability Functions Specified by the Psychological Model --  |g 4.3.2.  |t Probability Functions via Data Models --  |g 4.3.3.  |t Two Types of Probability Functions --  |g 4.3.4.  |t Extending the Data Model --  |g 4.3.5.  |t Extension to Multiple Data Points and Multiple Parameters --  |g 4.4.  |t Finding the Maximum Likelihood --  |g 4.5.  |t Properties of Maximum Likelihood Estimators --  |g 4.6.  |t In Vivo --  |g 5.  |t Combining Information from Multiple Participants --  |g 5.1.  |t It Matters How You Combine Data from Multiple Units --  |g 5.2.  |t Implications of Averaging --  |g 5.3.  |t Fitting Aggregate Data --  |g 5.4.  |t Fitting Individual Participants --  |g 5.5.  |t Fitting Subgroups of Data and Individual Differences --  |g 5.5.1.  |t Mixture Modeling --  |g 5.5.2.  |t K-Means Clustering --  |g 5.5.3.  |t Modeling Individual Differences --  |g 5.6.  |t In Vivo --  |g 6.  |t Bayesian Parameter Estimation --  |g 6.1.  |t What Is Bayesian Inference--  |g 6.1.1.  |t From Conditional Probabilities to Bayes Theorem --  |g 6.1.2.  |t Marginalizing Probabilities --  |g 6.2.  |t Analytic Methods for Obtaining Posteriors --  |g 6.2.1.  |t The Likelihood Function --  |g 6.2.2.  |t The Prior Distribution --  |g 6.2.3.  |t The Evidence or Marginal Likelihood --  |g 6.2.4.  |t The Posterior Distribution --  |g 6.2.5.  |t Estimating the Bias of a Coin --  |g 6.2.6.  |t Summary --  |g 6.3.  |t Determining the Prior Distributions of Parameters --  |g 6.3.1.  |t Non-Informative Priors --  |g 6.3.2.  |t Reference Priors --  |g 6.4.  |t In Vivo --  |g 7.  |t Bayesian Parameter Estimation --  |g 7.1.  |t Markov Chain Monte Carlo Methods --  |g 7.1.1.  |t The Metropolis-Hastings Algorithm for MCMC --  |g 7.1.2.  |t Estimating Multiple Parameters --  |g 7.2.  |t Problems Associated with MCMC Sampling --  |g 7.2.1.  |t Convergence of MCMC Chains --  |g 7.2.2.  |t Autocorrelation in MCMC Chains --  |g 7.2.3.  |t Outlook --  |g 7.3.  |t Approximate Bayesian Computation: A Likelihood-Free Method --  |g 7.3.1.  |t Likelihoods That Cannot be Computed --  |g 7.3.2.  |t From Simulations to Estimates of the Posterior --  |g 7.3.3.  |t An Example: ABC in Action --  |g 7.4.  |t In Vivo --  |g 8.  |t Bayesian Parameter Estimation --  |g 8.1.  |t Gibbs Sampling --  |g 8.1.1.  |t A Bivariate Example of Gibbs Sampling --  |g 8.1.2.  |t Gibbs vs. Metropolis-Hastings Sampling --  |g 8.1.3.  |t Gibbs Sampling of Multivariate Spaces --  |g 8.2.  |t JAGS: An Introduction --  |g 8.2.1.  |t Installing JAGS --  |g 8.2.2.  |t Scripting for JAGS --  |g 8.3.  |t JAGS: Revisiting Some Known Models and Pushing Their Boundaries --  |g 8.3.1.  |t Bayesian Modeling of Signal-Detection Theory --  |g 8.3.2.  |t A Bayesian Approach to Multinomial Tree Models: The High-Threshold Model --  |g 8.3.3.  |t A Bayesian Approach to Multinomial Tree Models --  |g 8.3.4.  |t Summary --  |g 8.4.  |t In Vivo --  |g 9.  |t Multilevel or Hierarchical Modeling --  |g 9.1.  |t Conceptualizing Hierarchical Modeling --  |g 9.2.  |t Bayesian Hierarchical Modeling --  |g 9.2.1.  |t Graphical Models --  |g 9.2.2.  |t Hierarchical Modeling of Signal-Detection Performance --  |g 9.2.3.  |t Hierarchical Modeling of Forgetting --  |g 9.2.4.  |t Hierarchical Modeling of Inter-Temporal Preferences --  |g 9.2.5.  |t Summary --  |g 9.3.  |t Hierarchical Maximum Likelihood Modeling --  |g 9.3.1.  |t Hierarchical Maximum Likelihood Model of Signal Detection --  |g 9.4.  |t Recommendations --  |g 9.5.  |t In Vivo --  |g pt. III  |t Model Comparison --  |g 10.  |t Model Comparison --  |g 10.1.  |t Psychological Data and the Very Bad Good Fit --  |g 10.1.1.  |t Model Complexity and Over-Fitting --  |g 10.2.  |t Model Comparison --  |g 10.3.  |t The Likelihood Ratio Test --  |g 10.4.  |t Akaike's Information Criterion --  |g 10.5.  |t Other Methods for Calculating Complexity and Comparing Models --  |g 10.5.1.  |t Cross-Validation --  |g 10.5.2.  |t Minimum Description Length --  |g 10.5.3.  |t Normalized Maximum Likelihood --  |g 10.6.  |t Parameter Identifiability and Model Testability --  |g 10.6.1.  |t Identifiability --  |g 10.6.2.  |t Testability --  |g 10.7.  |t Conclusions --  |g 10.8.  |t In Vivo --  |g 11.  |t Bayesian Model Comparison Using Bayes Factors --  |g 11.1.  |t Marginal Likelihoods and Bayes Factors --  |g 11.2.  |t Methods for Obtaining the Marginal Likelihood --  |g 11.2.1.  |t Numerical Integration --  |g 11.2.2.  |t Simple Monte Carlo Integration and Importance Sampling --  |g 11.2.3.  |t The Savage-Dickey Ratio --  |g 11.2.4.  |t Transdimensional Markov Chain Monte Carlo --  |g 11.2.5.  |t Laplace Approximation --  |g 11.2.6.  |t Bayesian Information Criterion --  |g 11.3.  |t Bayes Factors for Hierarchical Models --  |g 11.4.  |t The Importance of Priors --  |g 11.5.  |t Conclusions --  |g 11.6.  |t In Vivo --  |g pt. IV  |t Models in Psychology --  |g 12.  |t Using Models in Psychology --  |g 12.1.  |t Broad Overview of the Steps in Modeling --  |g 12.2.  |t Drawing Conclusions from Models --  |g 12.2.1.  |t Model Exploration --  |g 12.2.2.  |t Analyzing the Model --  |g 12.2.3.  |t Learning from Parameter Estimates --  |g 12.2.4.  |t Sufficiency of a Model --  |g 12.2.5.  |t Model Necessity --  |g 12.2.6.  |t Verisimilitude vs. Truth --  |g 12.3.  |t Models as Tools for Communication and Shared Understanding --  |g 12.4.  |t Good Practices to Enhance Understanding and Reproducibility --  |g 12.4.1.  |t Use Plain Text Wherever Possible --  |g 12.4.2.  |t Use Sensible Variable and Function Names --  |g 12.4.3.  |t Use the Debugger --  |g 12.4.4.  |t Commenting --  |g 12.4.5.  |t Version Control --  |g 12.4.6.  |t Sharing Code and Reproducibility --  |g 12.4.7.  |t Notebooks and Other Tools --  |g 12.4.8.  |t Enhancing Reproducibility and Runnability --  |g 12.5.  |t Summary --  |g 12.6.  |t In Vivo --  |g 13.  |t Neural Network Models --  |g 13.1.  |t Hebbian Models --  |g 13.1.1.  |t The Hebbian Associator --  |g 13.1.2.  |t Hebbian Models as Matrix Algebra --  |g 13.1.3.  |t Describing Networks Using Matrix Algebra --  |g 13.1.4.  |t The Auto-Associator --  |g 13.1.5.  |t Limitations of Hebbian Models --  |g 13.2.  |t Backpropagation --  |g 13.2.1.  |t Learning and the Backpropagation of Error --  |g 13.2.2.  |t Applications and Criticisms of Backpropagation in Psychology --  |g 13.3.  |t Final Comments on Neural Networks --  |g 13.4.  |t In Vivo --  |g 14.  |t Models of Choice Response Time --  |g 14.1.  |t Ratcliff's Diffusion Model --  |g 14.1.1.  |t Fitting the Diffusion Model --  |g 14.1.2.  |t Interpreting the Diffusion Model --  |g 14.1.3.  |t Falsifiability of the Diffusion Model --  |g 14.2.  |t Ballistic Accumulator Models --  |g 14.2.1.  |t Linear Ballistic Accumulator --  |g 14.2.2.  |t Fitting the LBA --  |g 14.3.  |t Summary --  |g 14.4.  |t Current Issues and Outlook --  |g 14.5.  |t In Vivo --  |g 15.  |t Models in Neuroscience --  |g 15.1.  |t Methods for Relating Neural and Behavioral Data --  |g 15.2.  |t Reinforcement Learning Models --  |g 15.2.1.  |t Theories of Reinforcement Learning --  |g 15.2.2.  |t Neuroscience of Reinforcement Learning --  |g 15.3.  |t Neural Correlates of Decision-Making --  |g 15.3.1.  |t Rise-to-Threshold Models of Saccadic Decision-Making --  |g 15.3.2.  |t Relating Model Parameters to the BOLD Response --  |g 15.3.3.  |t Accounting for Response Time Variability --  |g 15.3.4.  |t Using Spike Trains as Model Input --  |g 15.3.5.  |t Jointly Fitting Behavioral and Neural Data --  |g 15.4.  |t Conclusions --  |g 15.5.  |t In Vivo. 
907 |a .b101340758  |b 03-19-20  |c 05-24-18 
998 |a sci  |b 06-04-18  |c x  |d m   |e -  |f eng  |g enk  |h 0  |i 1 
907 |a .b101340758  |b 07-03-18  |c 05-24-18 
944 |a MARS - RDA ENRICHED 
907 |a .b101340758  |b 06-04-18  |c 05-24-18 
948 |a lr 
999 f f |i a1ded6aa-a32b-52fc-bda5-1c80975be633  |s 4b4472a4-81c1-5759-9935-c8e0738e5996 
952 f f |p Can circulate  |a University of Colorado Boulder  |b Boulder Campus  |c Norlin  |d Norlin Library - Science Stacks  |e BF311 .F358 2018  |h Library of Congress classification  |i book  |m U183073641956  |n 1 

Similar Items