دانلود کتاب Complex Worlds from Simpler Nervous Systems (به فارسی: جهان های پیچیده از سیستم های عصبی ساده تر) نوشته شده توسط «Frederick R. Prete»
اطلاعات کتاب جهان های پیچیده از سیستم های عصبی ساده تر
موضوع اصلی: 1
نوع: کتاب الکترونیکی
ناشر: MIT Press
نویسنده: Frederick R. Prete
زبان: English
فرمت کتاب: pdf (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2004
تعداد صفحه: 457
حجم کتاب: 5 مگابایت
کد کتاب: 9780262162234 , 0262162237 , 0262661748
توضیحات کتاب جهان های پیچیده از سیستم های عصبی ساده تر
هر کس کنجکاو باشد که تا چه حد توانایی های مختلف شناختی و عصبی انسان می تواند در سیستم های عصبی بسیار کوچکتر و ساده تر از انسان وجود داشته باشد، از مطالعه این کتاب چیزهای زیادی به دست خواهد آورد. اما مهمتر از آن، این کتاب همچنین نگاهی اجمالی به نحوه برخورد این سیستم‌های عصبی با محیط خود به روش‌هایی ارائه می‌کند که بقای ارگانیسم‌هایی که آنها را در اختیار دارند، تداوم می‌بخشد. توانایی‌های آنها از بسیاری جهات از انسان‌ها پیشی می‌گیرد، اما مقایسه با انسان‌ها واقعاً نباید کانون توجه باشد. مهمترین چیزی که از خواندن این کتاب به دست می آید این است که سیستم های عصبی به گونه ای تکامل یافته اند که برای ارگانیسم مفید است. همانطور که دو نویسنده در کتاب بیان کردند، “به نظر می رسد توانایی های یک حیوان تا حد زیادی توسط آنچه که برای دنبال کردن سبک زندگی خود نیاز دارد، کنترل می شود.” همه مقالات این کتاب جالب هستند، اما به دلیل کمبود جا فقط سه مورد از آنها در اینجا بررسی می شود.
نویسندگان مقاله «کاوش در توانایی شناختی در زنبورهای عسل: عملکردهای بالاتر از یک مغز کوچک پدید می‌آیند»، مروری کوتاه اما جذاب از تحقیقاتی که در زمینه توانایی‌های عصبی و یادگیری زنبورهای عسل انجام شده است، ارائه می‌کنند. همانطور که در مقاله ذکر شد، این واقعیت باورنکردنی است که مغز زنبور عسل کارگر تنها یک میلی متر مکعب حجم دارد، جرم آن تنها 1 میلی گرم است و کمتر از یک میلیون نورون دارد. با وجود این ابعاد، زنبورهای عسل همچنان قادر به پردازش اطلاعات بصری و حرکتی به روش‌هایی هستند که بسیار شبیه به روش انسان است. در واقع زنبور عسل قادر است در تشخیص الگو، ادراک و یادگیری وظایف پیچیده شرکت کند. زنبورهای عسل می توانند الگوهای ارائه شده به آنها را انتخاب کنند، بر روی این الگوها آموزش ببینند و از آموخته های خود برای ارزیابی الگوهای جدید ارائه شده به آنها استفاده کنند. جالب تر از همه، نویسندگان آزمایش هایی را توصیف می کنند که نشان می دهد زنبورهای عسل قادر به درک برخی از توهماتی هستند که انسان انجام می دهد. توانایی‌های دیگر مورد بحث شامل یادگیری مذاکره با پیچ و خم‌های پیچیده است و می‌توانند نقاط دیدنی را همانطور که انجام می‌دهند بشمارند. علاوه بر این، آنها از قوانینی استفاده می کنند که در گذشته کار می کردند تا در پیچ و خم ها حرکت کنند. بنابراین زنبورها توانایی قابل توجهی در ساختن مفاهیم از خود نشان می دهند. نویسندگان همچنین به چشم انداز هیجان انگیز ساخت یک ماشین یادگیری اشاره می کنند که قادر به انجام رفتاری مشابه زنبور عسل باشد. با توجه به اندازه مغز زنبور عسل، مطمئناً این هدفی به نظر می رسد که می تواند به راحتی انجام شود.
در مقاله “در ذهن یک شکارچی: دنیای بصری آخوندک نیایش”، نویسندگان آخوندک را به عنوان حشره ای معرفی می کنند که از نقطه نظر توانایی پردازش اطلاعات بسیار پیچیده است و در آنچه نویسندگان به آن اشاره می کنند تجلی می یابد. به عنوان «رفتارهای پلاستیکی». هر کسی که آخوندک نمازگزار را در باغ یا مکان های دیگر در فضای باز مشاهده کرده باشد، نمی تواند مجذوب رفتار آنها نشود. این مقاله این رفتارها را بر مبنای عصب شناختی قرار می دهد و تصویری که نویسندگان ترسیم می کنند بسیار جالب است. خواننده از چشم های مرکب آخوندک نیایش می آموزد که امکان تجسم در هر جهت را فراهم می کند. محدوده شدت نور (چهار واحد لگاریتم) به آخوندک اجازه می دهد تا بین اجسام مختلف تمایز قائل شود. به‌طور شگفت‌انگیزی، چشم‌های آنها حدود نه هزار واحد نمونه‌گیری یا همان طور که نویسندگان آنها را «ommatidia» می‌خوانند، دارد. اما این الگوریتم “تشخیص طعمه” است که توسط مانتیدها استفاده می شود که مورد توجه نویسندگان است. آنها از طریق تحقیقات خود دریافته اند که این الگوریتم به ارزیابی همزمان مجموعه ای از پارامترهای محرک بستگی دارد. از نقطه نظر سیستم عصبی آن، تشخیص طعمه توسط یک سلول حساس به حرکت به نام آشکارساز حرکت غول پیکر لوبولا (LGMD) انجام می شود. LGMD نسبت به آشکارساز حرکت مقابل نزولی (DCMD) پیش سیناپسی است. آنها از ساخت یک شبکه عصبی مصنوعی از سیستم‌های LGMD-DCMD یاد می‌کنند که یاد می‌گیرد به همان انواع محرک‌هایی که مانتیدها به‌عنوان طعمه می‌شناسند پاسخ دهد، اما متأسفانه در مورد آن با جزئیات صحبت نمی‌کنند.
نویسنده مقاله «ادراک حرکتی دنیای بصری دوزیستان را شکل می‌دهد» به این موضوع می‌پردازد که چگونه قورباغه‌ها و وزغ‌ها می‌توانند طعمه خود را بگیرند، از شکارچیان دوری کنند و بدون استفاده از حرکات چشم، جفت پیدا کنند. تاکید در مقاله بر روی نحوه طبقه‌بندی و تمایز این موجودات مختلف است، چگونه تصاویر شبکیه اشیاء متحرک از تصاویر متحرک خود القا شده متمایز می‌شوند، روی اینکه آیا وزغ‌ها مفاهیم را به کار می‌گیرند یا درگیر یادگیری هستند، و چگونه وزغ‌ها محرک‌های بصری را تجزیه و تحلیل می‌کنند. بدون نئوکورتکس مغزی تمایز بین طعمه و غیر شکار با هندسه جسم نسبت به جهت حرکت در ارتباط است. به منظور توجیه آنچه در سطح عصبی اتفاق می‌افتد، نویسنده ویژگی‌های سلول‌های گانگلیونی شبکیه (که واسطه خروجی شبکه شبکیه هستند) و نورون‌های میدان‌های برون‌تابی شبکیه را بر حسب میدان‌های دریافتی آنها توصیف می‌کند. یک جدول به همراه پسوند داده شده است
The authors of the article “Exploration of Cognitive Capability in Honeybees: Higher Functions Emerge from a Small Brain”, give a brief but fascinating overview of the research that has been performed in the neural and learning capabilities of honeybees. It is incredible fact, as brought out in the article, that the brain of the worker honeybee is only one cubic millimeter in volume, has a mass of only 1 mg, and has less than a million neurons. In spite of these dimensions however, honeybees are still able to process visual and motion information in ways that are very similar to the way that humans do. Indeed the honeybee is able to engage in pattern recognition, perception, and the learning of complex tasks. Honeybees are able to take pattern presented to them, train on these patterns, and use what they have learned to evaluate new patterns presented to them. Most interestingly, the authors describe experiments that show that honeybees are able to perceive some of the illusions that humans do. Other abilities discussed include learning to negotiate complex mazes, and are able to count landmarks as they do. Furthermore, they make use of rules that worked in the past in order to navigate through mazes. Thus bees exhibit a remarkable ability to construct concepts. The authors also mention the exciting prospect of constructing a learning machine that is capable of performing behavior similar to the honeybee. Given the size of the honeybee brain, this certainly seems like a goal that could be readily accomplished.
In the article “In the Mind of a Hunter: The Visual World of Praying Mantis”, the authors present the mantis as being an insect that is very complex from the standpoint of its ability to process information, being manifested in what the authors refer to as “plastic behaviors.” Anyone who has observed a praying mantis in a garden or other places outdoors cannot help but be fascinated by their behavior. This article puts these behaviors on a neurological foundation, and the picture the authors paint is a very interesting one. The reader learns of the compound eyes of the praying mantis, which allow visualization in every direction. The range of light intensity (four log units) allows the mantis to distinguish between different objects. Amazingly, their eyes have about nine thousand sampling units or `ommatidia’ as the authors call them. But it is the “prey recognition” algorithm used by mantids that is of primary interest to the authors. They have found through their research that this algorithm depends on the simultaneous assessment of a collection of stimulus parameters. From the standpoint of its nervous system, prey recognition is accomplished by a movement-sensitive cell called the lobula giant movement detector (LGMD). The LGMD is presynaptic to the descending contralateral movement detector (DCMD). They mention the construction of an artificial neural network of the LGMD-DCMD systems that learns to respond to the same types of stimuli that mantids recognize as prey, but unfortunately do not discuss it in any detail.
The author of the article “Motion Perception Shapes the Visual World of Amphibians” discusses how frogs and toads are able to catch their prey, avoid predators, and find mates without the benefit of eye movements. The emphasis in the article is in on how these different entities are classified and discriminated, how retinal images of moving objects are discriminated from self-induced moving images, on whether or not toads employ concepts or engage in learning, and how toads analyze visual stimuli without the benefit of a cerebral neocortex. The distinction between prey and nonprey is correlated with the geometry of the object relative to the direction of movement. In order to justify what is happening at the neuronal level, the author describes the properties of the retinal ganglion cells (which mediate the output of the retinal network) and the neurons of the retinal projection fields in terms of their receptive fields. A table is given along with extension discussion of their properties. Toads also make use of the odor of their prey, and the author discusses, with a detailed diagram, the brain structures involved in visual-olfactory learning. Most interesting is the author’s discussion of backpropagation artificial neural networks used to model the feature detection abilities of amphibians. A two-layered artificial neural network is trained to classify and evaluate objects of different lengths moving in prey and nonprey configurations.
دانلود کتاب «جهان های پیچیده از سیستم های عصبی ساده تر»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.