{"id":1972,"date":"2021-11-03T15:00:46","date_gmt":"2021-11-03T15:00:46","guid":{"rendered":"https:\/\/cog-ist.com\/?post_type=blog_content&p=1972"},"modified":"2025-09-07T20:08:37","modified_gmt":"2025-09-07T20:08:37","slug":"bayesci-beynin-geleceginin-tarihi-karl-j-friston","status":"publish","type":"blog_content","link":"https:\/\/cog-ist.com\/en\/blog_content\/bayesci-beynin-geleceginin-tarihi-karl-j-friston\/","title":{"rendered":"Bayes\u00e7i Beynin Gelece\u011finin Tarihi \u2014 Karl J. Friston"},"content":{"rendered":"

\u00d6zg\u00fcn Ad\u0131:\u00a0The history of the future of the Bayesian brain<\/a><\/p>\n\n\n\n

Karl Friston,<\/em> kuramsal n\u00f6robilimci ve beyin g\u00f6r\u00fcnt\u00fcleme alan\u0131nda otorite isimlerden biridir. \u0130statistiksel parametrik haritalamay\u0131 (SPM), voksel tabanl\u0131 morfometriyi (VBM) ve dinamik nedensel modellemeyi (DCM) geli\u015ftiren ki\u015fidir. \u015euanda insan beynindeki fonksiyonel entegrasyon modelleri ve n\u00f6ronal etkile\u015fimlerin alt\u0131nda yatan ilkeler \u00fczerinde \u00e7al\u0131\u015fmaktad\u0131r. Eylem ve alg\u0131 (aktif \u00e7\u0131kar\u0131m) i\u00e7in serbest enerji ilkesi ile kuramsal n\u00f6robiyolojiye \u00f6nemli katk\u0131larda bulunmu\u015ftur.<\/p>\n\n\n\n

\u00d6zet<\/h2>\n\n\n\n

Bu eserin as\u0131l ba\u015fl\u0131\u011f\u0131n\u0131n \u00e7arp\u0131t\u0131lmas\u0131 (Bayes\u00e7iBeynin Gelece\u011fi), benim son 20 y\u0131lda \u2018Bilim ve Hikayeler\u2019 hakk\u0131nda gelece\u011fe y\u00f6nelik yaz\u0131 yazma \u00e7abalar\u0131m\u0131 yans\u0131t\u0131r. Konunun gelece\u011fiyle ilgilenip, sonras\u0131nda tarihine d\u00f6nerek bu zorlu\u011fun \u00fcstesinden gelece\u011fim. Bayes\u00e7i beynin gelece\u011fi (n\u00f6rog\u00f6r\u00fcnt\u00fclemede) bellidir: beynin serbest enerji ilkesine (free energy principle<\/em>)nas\u0131l uydu\u011funu anlamak i\u00e7in dinamik nedensel modellemenin (dynamic causal modeling<\/em>) uygulanmas\u0131d\u0131r. Bu ba\u011flamda, Bayes\u00e7i beyin, kendi kendini organize eden herhangi bir sistemin (beyin ya da n\u00f6rog\u00f6r\u00fcnt\u00fcleme toplulu\u011fu gibi) kendi var olu\u015funun kan\u0131tlar\u0131n\u0131 maksimize etmek zorunda oldu\u011funu belirten serbest enerji ilkesinin do\u011fal bir sonucudur. Bu, ayn\u0131 zamanda, sistemin kendi d\u00fcnyas\u0131n\u0131n bir modelini kullanarak serbest enerjisini minimize etmek zorunda olmas\u0131 anlam\u0131na gelir. Dinamik nedensel modelleme en b\u00fcy\u00fck kan\u0131ta ya da en d\u00fc\u015f\u00fck serbest enerjiye sahip olan beyin modellerini bulmay\u0131 gerektirir. K\u0131sacas\u0131, g\u00f6r\u00fcnt\u00fclemeli n\u00f6robilimin gelece\u011fi serbest enerjiyi minimize eden beyin modelleri geli\u015ftirmektir- burada beyin, serbest enerjiyi minimize etmek i\u00e7in d\u00fcnya modellerini iyile\u015ftirir. Bu \u00e7aban\u0131n kendisi serbest enerjiyi minimize eder \u00e7\u00fcnk\u00fc toplulu\u011fumuz kendini d\u00fczenleyen bir sistemdir. Benimki kadar g\u00fczel bir bi\u00e7imde kendisiyle tutarl\u0131 olan alternatif bir gelecek hayal edemiyorum. Gelecek olmadan da ya\u015fayabilen bizler, \u015fimdi ge\u00e7mi\u015fe odaklanabiliriz ki bu, \u00e7ok daha ilgin\u00e7tir.<\/p>\n\n\n\n

Anahtar s\u00f6zc\u00fckler<\/strong>: Bayes\u00e7i beyin, Fonksiyonel entegrasyon, Etkili ba\u011flant\u0131sall\u0131k, Optimizasyon, Jeneratif modeller, \u00d6ng\u00f6r\u00fcsel kodlama, \u00c7\u0131karsama, Serbest enerji<\/p>\n\n\n\n

Introduction<\/h1>\n\n\n\n

Bilimsel fikirlerin tarihi, insanl\u0131\u011f\u0131n tarihidir. Sonras\u0131, beyin hakk\u0131ndaki ve \u00f6zellikle Bayes\u00e7i beyin hakk\u0131ndaki d\u00fc\u015f\u00fcncelerimizi \u015fekillendirmi\u015f insanlar\u0131n bir dizi anekdotlar\u0131d\u0131r. Dolay\u0131s\u0131yla, bu zorunlu olarak ki\u015fisel bir izaht\u0131r ve bu anekdotlar\u0131n baz\u0131lar\u0131 do\u011fru veya yanl\u0131\u015f olabilir ama en az\u0131ndan renkli anekdotlard\u0131r. \u015eu \u00f6nemlidir ki bu izah, Bayes\u00e7i beyin hakk\u0131ndaki pek \u00e7ok bak\u0131\u015f a\u00e7\u0131s\u0131ndan yaln\u0131zca biridir. Dahas\u0131, bu beyana otobiyografik bir anlat\u0131m vermek istedim, bu da hikayelerin (ve karakterlerinin) bir \u015fekilde se\u00e7ici oldu\u011fu anlam\u0131na gelir.<\/p>\n\n\n\n

Preface<\/h2>\n\n\n\n

Benim taraf\u0131mdan hik\u00e2ye ben 8 ya\u015f\u0131ndayken ba\u015fl\u0131yor. Annem 1960\u2019l\u0131 y\u0131llar\u0131n s\u0131cak yazlar\u0131n\u0131n birinde beni d\u0131\u015far\u0131 oynamaya g\u00f6nderdi. T\u0131pk\u0131 bir Gerald Durrell an\u0131nda[1]<\/a>oldu\u011fu gibi eski bir k\u00fct\u00fc\u011f\u00fc devirdim ve kendimi karanl\u0131\u011fa ka\u00e7\u0131\u015fan tahta kurtlar\u0131n\u0131n(minyat\u00fcr, armadillo gibi b\u00f6cekler) soytar\u0131l\u0131klar\u0131na t\u00fcm dikkatimi verirken buldum. Onlar\u0131 yak\u0131ndan birka\u00e7 dakika g\u00f6zlemledikten sonra, ilk (ve muhtemelen son) bilimsel kavray\u0131\u015f\u0131m\u0131 ya\u015fad\u0131m: onlar bir ama\u00e7 g\u00f6zeterek (fark\u0131nda olarak) karanl\u0131\u011f\u0131 aram\u0131yor, sadece g\u00fcne\u015fle \u0131s\u0131n\u0131nca daha h\u0131zl\u0131 hareket ediyorlard\u0131 (rastgele bir y\u00f6nde ve \u015fekilde). Son 40 y\u0131lda, do\u011fal se\u00e7ilim, enformasyon teorisi, makine \u00f6\u011frenmesi ve istatiksel termodinamik hakk\u0131nda bir \u015feyler \u00f6\u011frenirken hep bu ilk kavray\u0131\u015ftan yararland\u0131m. Sonras\u0131nda da Bayes\u00e7i beyin kavram\u0131n\u0131 bize sunan bu disiplinlerden gelen baz\u0131 insanlar hakk\u0131nda bir hik\u00e2ye yazd\u0131m.<\/p>\n\n\n\n

Bayes\u00e7i beyin<\/em><\/h2>\n\n\n\n

Bayes\u00e7i beynin g\u00f6r\u00fcnt\u00fclemeli n\u00f6robilimdeki rol\u00fcn\u00fc anlamak i\u00e7in onun do\u011furdu\u011fu fikirlerin ayr\u0131nt\u0131lar\u0131na inmeliyiz. Esas\u0131nda Bayes\u00e7i beyin bizlere d\u00fcnyan\u0131n jeneratif modeline ba\u011fl\u0131 olarak hislerimizin nedenlerini anlamaya \u00e7al\u0131\u015ft\u0131\u011f\u0131m\u0131z\u0131 s\u00f6yler. Bu fikrin Plato\u2019nun \u00f6\u011frencilerine kadar uzanan bir tarihi vard\u0131r ve muhtemelen en a\u00e7\u0131k bi\u00e7imde von Helmholtz taraf\u0131ndan (1866) ifade edilmi\u015ftir. Alg\u0131n\u0131n bir t\u00fcr hipotez testi olarak anla\u015f\u0131lmas\u0131ndan da g\u00f6r\u00fclece\u011fi gibi fikir, ge\u00e7ti\u011fimiz son y\u00fczy\u0131lda b\u00fcy\u00fck bir ivme kazanm\u0131\u015ft\u0131r (Gregory, 1968, 1980; Kersten ve di\u011f., 2004) ve hesaplamal\u0131 n\u00f6robilimde Bayes\u00e7i olas\u0131l\u0131k teorisinin merkezi rol\u00fcn\u00fc \u00fcstlenmi\u015ftir (Dayan ve di\u011f., 1995; Lee ve Mumford, 2003).<\/p>\n\n\n\n

Bayes\u00e7i beynin \u00f6ng\u00f6rmeli kodlama (Raove Ballard, 1998) ve n\u00f6roekonomide optimal karar (oyun) teorisi gibi \u00f6zel \u00f6rnekleri, sistemler seviyesinde n\u00f6robilim alan\u0131n\u0131n b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131 domine etmeye ba\u015flad\u0131 (Knill ve Pouget, 2004); \u00f6zellikle de fonksiyonel g\u00f6r\u00fcnt\u00fcleme alan\u0131nda. Bayes\u00e7i beyin hipotezinin yaln\u0131zca bir optimal davran\u0131\u015f tasviri oldu\u011funu takdir etmek \u00f6nemlidir: belirsizlik anlar\u0131nda Bayes optimal alg\u0131n\u0131n, sens\u00f6rimotor entegrasyonun veya karar vermenin nas\u0131l ortaya \u00e7\u0131kt\u0131\u011f\u0131n\u0131n bir re\u00e7etesini bize vermez. Bunu anlamak i\u00e7in, beynin fonksiyonel mimarisine bakmak gerekir. Belki, bu mimarinin en muhte\u015fem \u00f6zelliklerinden birisi ba\u011flant\u0131sall\u0131kt\u0131r(connectivity)<\/em>. Fakat beyin ni\u00e7in (aksonal ve sinaptik) ba\u011flant\u0131lara sahiptir?<\/p>\n\n\n\n

Karaci\u011fer gibi di\u011fer pek \u00e7ok fonksiyonel olarak \u00f6zelle\u015fmi\u015f organlar ya da kan, hassas bir ba\u011flant\u0131sall\u0131\u011fa sahip de\u011filken beyin neden b\u00f6yle bir \u00f6zelli\u011fe sahiptir? Bayes\u00e7i beyin bak\u0131\u015f a\u00e7\u0131s\u0131na g\u00f6re cevap a\u00e7\u0131kt\u0131r: e\u011fer beyin,duyular\u0131n\u0131n nedenleri hakk\u0131nda \u00e7\u0131karsamalar yap\u0131yorsa duyusal veriye neden olan (sakl\u0131) d\u00fcnya durumlar\u0131 aras\u0131ndaki nedensel ili\u015fkilerin (ba\u011flant\u0131lar) bir modelini i\u00e7eriyor olmal\u0131d\u0131r. Model, n\u00f6ronal ba\u011flant\u0131lar\u0131n duyusal bilgi \u00fcretti\u011fi s\u00f6ylenen nedensel ba\u011flant\u0131lar\u0131 kodlamas\u0131n\u0131 (modeller) izler. Bu \u00f6nemli bir noktad\u0131r, \u00e7\u00fcnk\u00fc \u015fu anlama gelir: birinin Bayes\u00e7i beyni anlamak i\u00e7in ba\u011flant\u0131sall\u0131\u011f\u0131 ve onun destekledi\u011fi da\u011f\u0131lm\u0131\u015f i\u015flemeyi anlamas\u0131 gerekir. K\u0131sacas\u0131, Bayes\u00e7i beyin ba\u011flant\u0131sall\u0131\u011f\u0131n ve dolayl\u0131 olarak beyindeki fonksiyonel entegrasyonun anla\u015f\u0131lmas\u0131n\u0131 gerektirir. Bayes\u00e7i beyin hipotezi, sadece alg\u0131laman\u0131n ve karar vermenin (yakla\u015f\u0131k olarak) Bayes-optimal oldu\u011funu s\u00f6yler, bu bak\u0131mdan bu anlay\u0131\u015f fonksiyonel entegrasyonun bir \u015fey optimize etmek zorunda olmas\u0131 ger\u00e7e\u011finden etkilenir. Benim hikayem burada ba\u015flar, yani, fonksiyonel entegrasyonun ve beraberinde optimizasyon kavram\u0131n\u0131n ba\u015flamas\u0131 ile:<\/p>\n\n\n\n

Tarih \u00f6ncesi: Fonksiyonel Entegrasyon Kul\u00fcb\u00fc<\/h2>\n\n\n\n

1990\u2019da, Londra\u2019daki MRC[2]<\/a> Siklotron(Cyclotron)<\/em> Birimindeki ilk ara\u015ft\u0131rma g\u00f6revimden iki y\u0131l sonra, \u201centegrasyon hakk\u0131nda ne d\u00fc\u015f\u00fcn\u00fcyorsun?\u201d diye soran Semir Zeki\u2019den bir telefon ald\u0131m. \u0130lgin\u00e7 bir soruydu. Ben de kibarca matematiksel bir perspektiften cevaplad\u0131m soruyu. Semir Zeki MRC\u2019deki geli\u015fmekte olan (PET[3]<\/a>) n\u00f6rog\u00f6r\u00fcnt\u00fcleme grubumuzla ba\u015far\u0131l\u0131 bir i\u015f birli\u011fi tamamlam\u0131\u015ft\u0131. G\u00f6rsel aktivasyon paradigmas\u0131n\u0131 (Lueck ve di\u011f., 1989) kullanarak insan beyninde fonksiyonel ayr\u0131m (functional segregation) <\/em>ger\u00e7ekle\u015ftirdi. Semir Zeki d\u00fcnyaca \u00fcnl\u00fc bir g\u00f6rsel n\u00f6robilimci(dir). Boyu posu ve kavramsal meydan okumalardaki \u00e7ocuksu keyfi, entelekt\u00fcel ihsan\u0131 ve irfan\u0131 ile kar\u015f\u0131 kar\u015f\u0131yad\u0131r (\u00e7o\u011fu ki\u015fi i\u00e7in, Semir Zeki modern fonksiyonel ayr\u0131m\u0131n babas\u0131d\u0131r). Semir, dayanmas\u0131 g\u00fc\u00e7 olan provokatif bir ki\u015fili\u011fe de sahiptir. Bir keresinde Semir, Horace Barlow\u2019la kurdu\u011fu\u201cfonksiyonel entegrasyon kul\u00fcb\u00fcne\u2019\u2019Richard Frackowiak\u2019\u0131 ve beni davet etmek istedi. Horace Barlow tan\u0131nm\u0131\u015f ve sayg\u0131 duyulan bir teorisyendi, muhtemelen de en \u00e7ok alg\u0131 konusunu maksimum verimlilik (ya da minimum fazlal\u0131k)(minimum redundancy)<\/em> ilkeleriyle beraber enformasyon teorik olarak ortaya koymas\u0131yla (informationtheory)<\/em> (Barlow, 1961)\u00fcn kazanm\u0131\u015ft\u0131.<\/p>\n\n\n\n

Ben ve Richard i\u00e7in bu kul\u00fcp muhte\u015fem bir deneyimdi (s\u0131ras\u0131yla 30\u2019lu ya\u015flar\u0131n sonu ve 20\u2019li ya\u015flar\u0131n sonunday\u0131z) ve beynin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131na dair derin sohbetlere ilk maruz kal\u0131\u015f\u0131md\u0131. D\u00fczensiz surette UCL\u2019in formika kaplamal\u0131 masalar\u0131yla ve yerinden s\u00f6k\u00fclm\u00fc\u015f kara tahtalar\u0131yla dolu ortak odalar\u0131nda ya da Cambridge\u2019deki deri koltuklar\u0131n eski parf\u00fcm kokular\u0131 ve pipo duman\u0131yla dolu olan odalar\u0131nda (benim favorim)bulu\u015ftuk. Sohbetlerimiz resmi de\u011fildi (Horace Barlow\u2019un varl\u0131\u011f\u0131ndan \u00e7ekindi\u011fim ve onun g\u00fclerken sadece g\u00f6zlerinin i\u00e7in g\u00fcld\u00fc\u011f\u00fc i\u00e7in hemen hemen hi\u00e7 konu\u015fmamama ra\u011fmen) ve genelde grubun \u00fcyeli\u011fi kadar da geni\u015f kapsaml\u0131yd\u0131. Bulu\u015fmalar\u0131m\u0131zda Graeme Mitchison ve Horace Barlow\u2019un \u00e7\u0131ra\u011f\u0131 Peter F\u00f6ldi\u00e1k gibi ki\u015filer vard\u0131.<\/p>\n\n\n\n

Graeme Mitchison korteksteki kortikal tel uzunluklar\u0131 i\u00e7in bir optimalite \u00f6l\u00e7\u00fct\u00fc ortaya koyan ilk insanlar aras\u0131ndayd\u0131 (Durbin ve Mitchison, 1990), bu \u00f6l\u00e7\u00fct birka\u00e7 y\u0131lda bir yeniden pop\u00fcler olan ve son zamanlarda ba\u011flant\u0131sall\u0131k verilerinin \u00e7izge-teorik(graphtheoretical analyses of connectivity data)<\/em> analizleriyle daha a\u00e7\u0131k hale gelen bir temad\u0131r. Graeme\u2019in (orta b\u00fcy\u00fckl\u00fckteki ve muhtemelen s\u0131rlarla dolu) bilgisayar\u0131 y\u00fcz\u00fcnden k\u00fc\u00e7\u00fck g\u00f6z\u00fcken ufac\u0131k ofisinde tatl\u0131 ve bast\u0131r\u0131lm\u0131\u015f heyecan\u0131 ile sim\u00fclasyonlar\u0131n\u0131 g\u00f6sterdi\u011fini hat\u0131rl\u0131yorum. Peter F\u00f6ldi\u00e1k g\u00f6rsel i\u015flemenin enformasyon teorik form\u00fclasyonlar\u0131 ve dik (aral\u0131kl\u0131)temsil (orthogonal representation)<\/em> olu\u015fturmada lateral beyin ba\u011flant\u0131lar\u0131n\u0131n \u00f6nemi konusundaki kilit isimlerden birisi olmaya devam etti (F\u00f6ldi\u00e1k, 1990). Bu toplant\u0131larda akl\u0131mdan on y\u0131llarca \u00e7\u0131kmayan ve hala tart\u0131\u015f\u0131lan pek \u00e7ok tema vard\u0131. Bu hik\u00e2yenin perspektifinden fonksiyonel ayr\u0131m, fonksiyonel entegrasyon ve optimallik kavram\u0131n\u0131n ay\u0131rt edilmesinde iki ana tema bulunur.<\/p>\n\n\n\n

Semir ve Horace\u2019\u0131n g\u00f6r\u00fcn\u00fc\u015fte y\u00f6nlendirilmeyen bu tart\u0131\u015fmalar\u0131 yapabilmek i\u00e7in o grubu (ya da o zaman\u0131) nas\u0131l ya da neden se\u00e7ti\u011fini bilmiyorum ama bence tamam\u0131yla vizyoner ki\u015filerdi. \u0130lk \u00f6nce beynin ayr\u0131m\u0131 ve entegrasyonu te\u015febb\u00fcs\u00fc bizim n\u00f6rog\u00f6r\u00fcnt\u00fcleme verimizi b\u00f6lgesel olarak spesifik aktivasyonlar a\u00e7\u0131s\u0131ndan ve etkili ba\u011flant\u0131sall\u0131\u011f\u0131n ortaya \u00e7\u0131kard\u0131\u011f\u0131 etkile\u015fimleri a\u00e7\u0131s\u0131ndan analiz etmeyedair ampirik \u00e7abalar\u0131m\u0131za epey bir katk\u0131da bulundu (ilki \u0130statiksel Parametrik E\u015fleme, ikincisi Dinamik Nedensel Modelleme).<\/p>\n\n\n\n

Optimizasyon kavram\u0131 teorik olarak burada merkeziydi; ister kortikaltel uzunluklar\u0131optimizasyonu olsun, ister duyusal girdi ve n\u00f6ronal tepkiler aras\u0131ndaki ortak optimizasyon olsun, temelde olan mesaj beynin baz\u0131 bak\u0131mlardan optimal olmas\u0131yd\u0131. Ama ne optimize ediliyordu ki? Cevap ne olursa olsun, Horace Barlow\u2019un \u00e7al\u0131\u015fmas\u0131ndan, cevab\u0131n enformasyon teorisi ya da basit\u00e7e olas\u0131l\u0131k \u00f6l\u00e7\u00fcmleri bak\u0131m\u0131ndan nitelendirilmesi gerekti\u011fi a\u00e7\u0131kt\u0131.<\/p>\n\n\n\n

Gelinen noktada, Bayes optimalli\u011fi bu sohbetlerde kabul edilen bir ge\u00e7erlilik de\u011fildi ve minimum fazlal\u0131k ilkesi ve duyusal i\u015flemenin Bayes\u00e7i yorumlar\u0131 aras\u0131ndaki e\u015fitlik resmi olarak daha belirgin olmadan yirmi y\u0131l \u00f6ncesiydi (en az\u0131ndan benim i\u00e7in; Friston, 2010). Biri, karar verme ve motor kontrolde optimaliteyi d\u00fc\u015f\u00fcn\u00fcnce, o ki\u015fi genellikle optimal kontrol teorisine bir bakar. Bu, bizi hikayemin s\u0131radaki b\u00f6l\u00fcm\u00fcne ve Bayes\u00e7i beynin di\u011fer y\u00f6n\u00fcne, yani optimal karar teorisine ve de\u011fer \u00f6\u011frenmesine (value learning) g\u00f6t\u00fcr\u00fcr. Ancak, benim bu konuya giri\u015fim pek anla\u015f\u0131l\u0131r de\u011fildi.<\/p>\n\n\n\n

Tarih: optimallik, do\u011fal se\u00e7ilim ve de\u011fer<\/h2>\n\n\n\n

20 y\u0131l \u00f6nce, Gerry Edelman\u2019\u0131n y\u00f6netimi alt\u0131ndaki N\u00f6robilimler Enstit\u00fcs\u00fcnde ge\u00e7ici olarak g\u00f6revlendirildim. N\u00f6robilimler Enstit\u00fcs\u00fc,N\u00f6robilim Ara\u015ft\u0131rma Program\u0131 ile ili\u015fkilidir (1969\u2019da kurulan N\u00f6robilimToplulu\u011fundan birka\u00e7 y\u0131l \u00f6nce, 1962\u2019de kurulmu\u015ftur). GerryEdelman,Nobel \u00f6d\u00fcl\u00fc kazanm\u0131\u015f esrarengiz bir ki\u015fidir, muhtemelen de en \u00e7ok N\u00f6ralDarwincili\u011fin kuramsal n\u00f6robilimi konusunda \u00fcnl\u00fc olmas\u0131yla bilinir (Edelman, 1993). MarcRaichle onu bir defas\u0131nda \u201ckomplike bir adam\u201d olarak tan\u0131mlam\u0131\u015ft\u0131r. Marc, tasvirinin nazikli\u011fine inanm\u0131\u015f bir g\u00fcl\u00fcmseme ile bunu s\u00f6ylemi\u015ftir. Asl\u0131nda, Edelman\u2019\u0131n hemen hemen k\u00f6t\u00fc olan keskin (sald\u0131ran) bir tavr\u0131 vard\u0131(r). N\u00f6robilimler Enstit\u00fcs\u00fcndeki atmosfer Cambridge\u2019in koltuklar\u0131ndan da bir d\u00fcnya uzaktayd\u0131.<\/p>\n\n\n\n

Ne\u015felendirici ve kasvetliydi, Manhattan civarlar\u0131n\u0131 and\u0131r\u0131yordu (s\u0131f\u0131r tolerans g\u00fcnlerinden \u00f6nce). Edelman\u2019\u0131n kendisi inan\u0131lmaz bir mevcudiyete sahipti ve bizim \u00e7al\u0131\u015fma atmosferimizi hemen hemen homofilik bir yo\u011funlukla doldurmu\u015ftu. N\u00fcans ve zanaat olarak tan\u0131mlad\u0131\u011f\u0131 do\u011fal d\u00fcnya konusunda m\u00fckemmel ve biricik bir perspektifi vard\u0131. New York kafelerindeki onun i\u00e7g\u00f6r\u00fcleri ve hikayeleri ile teshir edilmi\u015f g\u00fcnl\u00fck \u00f6\u011fle yemeklerimizi hat\u0131rl\u0131yorum. Birka\u00e7 y\u0131l sonra Read Montague\u2019den duydum ki, \u015fakalar\u0131 bile el i\u015fiymi\u015f- Read, i\u00e7 hatlar u\u00e7u\u015fundan inerlerken onu \u201c101 Yahudi \u015eakas\u0131\u201dn\u0131 ezberlerken bulmu\u015f. Do\u011fru mu yanl\u0131\u015f m\u0131 bilmiyorum ama Edelman gibi y\u00f6neticiler (ve bu hikayedeki bir\u00e7ok ki\u015fi) asla g\u00f6r\u00fcnd\u00fckleri gibi de\u011fildir.<\/p>\n\n\n\n

Edelman\u2019\u0131n alan\u0131m\u0131zda olduk\u00e7a se\u00e7kin olan (ve bu hikayedeki)gen\u00e7 insanlar\u0131 \u00e7ekmesi ola\u011fan\u00fcst\u00fcyd\u00fc. Programa girdi\u011fimde Read Montague\u2019n\u00fcn yerini alm\u0131\u015ft\u0131m, kendisi ho\u015f bir belirsiz \u2018kara bulut\u2019 \u00fczerine programdan ayr\u0131lm\u0131\u015ft\u0131. Read, n\u00f6ronal grup se\u00e7imi (neuronalgroupselection)<\/em>ba\u011flam\u0131nda de\u011fer ve optimizasyon teorileri \u00fczerine \u00e7al\u0131\u015f\u0131yordu. Bu teori, n\u00f6ronal gruplar olu\u015fturmak (toplamak) i\u00e7in se\u00e7ici bask\u0131n\u0131n (selectivepressure)<\/em>kortikal kablolama(corticalwiring)<\/em> ve ba\u011flant\u0131sall\u0131\u011f\u0131 optimize edebildi\u011fi iddias\u0131 \u00fczerine dayan\u0131yordu; ayn\u0131 do\u011fal se\u00e7ilimin evrimdeki fenotipler \u00fczerinde i\u015flem yapmas\u0131 gibi.<\/p>\n\n\n\n

Read, Peter Dayan ve di\u011ferleriyle dopamin ate\u015flemeyi (dopaminefiring)<\/em>de\u011fer \u00f6\u011frenmesi ile ili\u015fkilendiren ufuk a\u00e7\u0131c\u0131 \u00e7al\u0131\u015fmalar yay\u0131nlamaya devam etti (Montagueve di\u011f., 1995). \u0130lgin\u00e7 bir \u015fekilde, bunu yazd\u0131\u011f\u0131m s\u0131rada Read benim yan\u0131mdaki yeni ofise yerle\u015fiyordu ve Peter Dayan ise \u015fimdi yan taraftaki Gats by Komp\u00fctasyonel N\u00f6robilim Biriminin Direkt\u00f6r\u00fcd\u00fcr, sonras\u0131nda bu konuya de\u011finece\u011fiz. Oraya gitti\u011fimde, iki \u00f6nemli gen\u00e7 adam,Giulio Tononi ve Olaf Sporns oradayd\u0131. Yine, bu iki bilim insan\u0131n\u0131n \u015fu andakendi \u00e7abalar\u0131 sonucunda d\u00fcnya liderleri olmas\u0131 muazzam, Giulio bilin\u00e7 ve uyku ara\u015ft\u0131rmas\u0131 konusunda \u00e7al\u0131\u015f\u0131yordu, Olaf ise konnektomu icat etmi\u015f (Sporns ve di\u011f., 2005) ve toplulukta kilit isimlerden biri olmu\u015ftur.<\/p>\n\n\n\n

Olaf\u2019\u0131n1994 y\u0131l\u0131nda ampirik ba\u011flant\u0131sall\u0131k verisini, n\u00f6ronal dinamiklerin bu yap\u0131lar \u00fczerindeki karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 anlamak i\u00e7in kullanma h\u0131rs\u0131n\u0131 \u00e7ok a\u00e7\u0131k bir \u015fekilde hat\u0131rl\u0131yorum. Giulio\u2019nun karma\u015f\u0131kl\u0131k \u00fczerine \u00e7al\u0131\u015fmas\u0131 (Tononi ve di\u011f., 1994) tekrardan fonksiyonel ayr\u0131m ve entegrasyon aras\u0131ndaki ana mant\u0131ksal sorgulama noktas\u0131na ve birinin nas\u0131l oluyor da ba\u015fka birinin ba\u011flam\u0131nda optimal bir \u015fekilde yerle\u015ftirilebildi\u011fine de\u011finmi\u015ftir. Her zaman, bu konudaki oda\u011f\u0131n Semir Zeki ve Gerry Edelman\u2019\u0131n t\u00fcm ger\u00e7ek tutkular gibi daha karanl\u0131k ve cefak\u00e2r bir \u015feye d\u00f6nen arkada\u015fl\u0131\u011f\u0131n\u0131n ilk d\u00f6nemlerini yans\u0131t\u0131p yans\u0131tmad\u0131\u011f\u0131n\u0131 merak etmi\u015fimdir.<\/p>\n\n\n\n

Cambridge\u2019de olas\u0131l\u0131k teorisi ve kuantum fizi\u011fi \u00f6\u011frencisi olan ben, t\u00fcm formel teorilerin nihayetinde matematiksel terimler olarak d\u00fczenlenmesi gerekti\u011fini varsaym\u0131\u015ft\u0131m. Di\u011fer bir yandan Edelman bunu \u2018mathematosis\u2019 olarak ve hemen hemen a\u011f\u0131z kokusu kadar arzu edilebilecek bir \u015fey olarak d\u00fc\u015f\u00fcnm\u00fc\u015ft\u00fc. Erken bir grup toplant\u0131s\u0131nda de\u011fer \u00f6\u011frenmesi ve dinamik programlama aras\u0131ndaki formel ba\u011flant\u0131lara dikkati \u00e7ekti\u011fimde odada, Edelman\u2019\u0131n nas\u0131l bir tepki verece\u011fi hakk\u0131nda hakiki bir korku ve deh\u015fet vard\u0131. Tepkisi beni k\u00fct\u00fcphaneye 6 ayl\u0131k s\u00fcreli\u011fine ba\u011flamakt\u0131. G\u00f6revim, d\u00fc\u015f\u00fcn\u00fc\u015f\u00fcm\u00fc sterilize etmek ve kendimi Charles Darwin\u2019den tutun da Ernst Mayr\u2019e kadar b\u00fcy\u00fck biyoloji d\u00fc\u015f\u00fcn\u00fcrlerinin yaz\u0131lar\u0131na bo\u011fmakt\u0131.<\/p>\n\n\n\n

Bu bi\u00e7imlendirici(bir miktar da ac\u0131mas\u0131z) terapiye uyum sa\u011flad\u0131m. Alt\u0131 ay sonra, Edelman, Mayr\u2019\u0131n \u2018The Growth of BiologicalThought\u2019 (1982) kitab\u0131n\u0131n bir kopyas\u0131n\u0131 uzatt\u0131 bana, hala bug\u00fcn hat\u0131ra olarak saklar\u0131m. Sonra de\u011fer \u00f6\u011frenmesinin n\u00f6robiyolojisi \u00fczerine yazd\u0131k (t\u00fcm matemati\u011fiyle Ekte; Friston ve di\u011ferleri, 1994). Bir taraftan Edelman hakl\u0131yd\u0131; optimalite hakk\u0131ndaki derin sorular se\u00e7ici d\u00fc\u015f\u00fcn\u00fc\u015fte, pop\u00fclasyon dinamiklerinde ve kendi kendine d\u00fczenlemeye g\u00f6m\u00fclm\u00fc\u015ft\u00fc. Ancak, onun tutucu fikirleri di\u011ferlerini enformasyon ve olas\u0131l\u0131k teorisindeki daha formel tedavilere de\u011fer verme konusunda zorlu\u011fa g\u00f6\u011f\u00fcs germe ile kar\u015f\u0131 kar\u015f\u0131ya b\u0131rakt\u0131. Bayes\u00e7i beyin olarak birinin anlayabilece\u011fi bir yakla\u015f\u0131m. Bu bizi 90\u2019lar\u0131n ortas\u0131na ve Bayes\u00e7i d\u00fc\u015f\u00fcn\u00fc\u015f\u00fcn y\u00fckseli\u015fine g\u00f6t\u00fcr\u00fcr:<\/p>\n\n\n\n

Bayes\u00e7i Paradigma<\/h2>\n\n\n\n

\u015eimdi, 1994\u2019e bir bakal\u0131m, o zaman Londra\u2019da, Queen meydan\u0131nda Fonksiyonel G\u00f6r\u00fcnt\u00fcleme Laboratuvar\u0131n\u0131n a\u00e7\u0131l\u0131\u015f\u0131ndayd\u0131m (Richard Frackowiak, Hammersmith Hastanesindeki MRC Biriminden ta\u015f\u0131nm\u0131\u015ft\u0131). Heyecanl\u0131 bir zamand\u0131: Tim Shallice, Geoffrey Hinton\u2019\u0131n y\u00f6netimi alt\u0131nda olan Gats by Komp\u00fctasyonel N\u00f6robilim Biriminin biti\u015findeki bir binan\u0131n yar\u0131s\u0131n\u0131 i\u015fgal eden Bili\u015fsel N\u00f6robilim Enstit\u00fcsinin kurulu\u015funu y\u00f6netmi\u015fti. Ayn\u0131 Semir Zeki gibi, Geoffrey Hinton da yeni i\u00e7g\u00f6r\u00fcler ve kavramsal oyuncaklar i\u00e7in \u00e7ocuksu bir heves g\u00f6sterir. Dersleri olduk\u00e7a merak uyand\u0131r\u0131c\u0131yd\u0131 ama sadede gelmek konusunda hevesini gizleyemezdi.<\/p>\n\n\n\n

Zannediyorum \u00e7o\u011fu ki\u015fi de kat\u0131lacakt\u0131r, bence Geoffrey Hinton\u2019\u0131n fikirleri Bayes\u00e7i beyni somut ve formel modada tam merkeze yerle\u015ftirdi. Daha genel ifadeyle, makine \u00f6\u011frenmesindeki problemlerin Bayes\u00e7i form\u00fclasyonlar\u0131, n\u00f6ronal komp\u00fctasyonlar i\u00e7in ka\u00e7\u0131n\u0131lmaz bir metafor sundu (\u00f6rn., Hinton ve vanCamp 1993). Helmholtz makinesi ve jeneratif modellerin merkezi rol\u00fc gibi kavramlar beyin hakk\u0131nda d\u00fc\u015f\u00fcnmenin sadece do\u011fal bir yolu olmad\u0131, ayn\u0131 zamanda veri analizine prensipli bir yakla\u015f\u0131m \u00fcretti, \u00f6zellikle o zamanda ba\u015f etti\u011fimiz k\u00f6t\u00fc konumlanm\u0131\u015f problemlerin ba\u011flam\u0131nda. Geoffrey Hinton kendisini bula\u015f\u0131c\u0131 bir co\u015fkunlukla tan\u0131tt\u0131 ama onun hakk\u0131nda bir ac\u0131ma duygusu da hakimdi. Asla unutamayaca\u011f\u0131m bir hik\u00e2ye, Londra\u2019daki ya\u015farken artan mutsuzlu\u011fudur: \u015eehrin k\u00fclt\u00fcrel olarak en canl\u0131 b\u00f6lgelerinden birinde ya\u015famay\u0131 kendisi tercih etmi\u015fti, onun binas\u0131n\u0131n sakinleri sessiz bir akademisyenin ihtiya\u00e7lar\u0131na uygun olmayan g\u00fcr\u00fclt\u00fcl\u00fc partilerle kutlamay\u0131 se\u00e7iyorlard\u0131. Hinton\u2019\u0131nbuna \u00e7\u00f6z\u00fcm\u00fc kendisine oda i\u00e7inde bir oda in\u015fa etmekti; i\u00e7inde uyudu\u011fu ses ge\u00e7irmez bir kafes.<\/p>\n\n\n\n

\u0130\u015fte, hayat\u0131n k\u00fc\u00e7\u00fck problemlerine yarat\u0131c\u0131 bir bak\u0131\u015f\u0131 olan bir adamd\u0131 o. Bu yarat\u0131c\u0131l\u0131k makine \u00f6\u011frenmesi ve komp\u00fctasyonel n\u00f6robilim alanlar\u0131na katk\u0131lar\u0131yla dolu uzun tarihinde a\u00e7\u0131k\u00e7a ortadayd\u0131. Bayes\u00e7i perspektife derinlemesine ba\u011fl\u0131yd\u0131 ve jeneratif modellerin harika bir savunucusuydu. \u00d6n plana \u00e7ok \u00e7\u0131kmam\u0131\u015f ama olduk\u00e7a \u00f6nemli katk\u0131s\u0131, optimizasyon a\u00e7\u0131s\u0131ndan Bayes\u00e7i\u00e7\u0131karsaman\u0131n genellikle kolay kolaykontrol edilemeyen problemini ortaya koymakt\u0131. Buradaki i\u00e7g\u00f6r\u00fc Richard Feynman (1972)\u2019\u0131npatika integrali form\u00fclleri (path integral formulations)<\/em>ve varyasyonel hesaplar kullanarak istatiksel fizikte \u00e7\u00f6zd\u00fc\u011f\u00fc ayn\u0131 problemlerin Bayes\u00e7i\u00e7\u0131kar\u0131m problemine uygulanabilir oldu\u011fudur, yani bir model i\u00e7in kan\u0131t\u0131 nas\u0131l de\u011ferlendirece\u011fimizdir. \u0130\u015fte burada serbest enerji minimizasyonu devreye girer, yani serbest enerjiyi minimize etmek bir model i\u00e7in kan\u0131t\u0131 maksimize etmeye e\u015ftir (yakla\u015f\u0131k olarak).Bayes\u00e7i \u00e7\u0131karsamadaki zor ama temel problemi ustal\u0131kla idare etmi\u015f optimizasyonun temel rol\u00fcn\u00fc g\u00f6z ard\u0131 etmemek gerekir.<\/p>\n\n\n\n

Geoffrey Hinton Toronto\u2019ya gitmeden \u00f6nce onunla konu\u015ftu\u011fum son zaman\u0131 hat\u0131rl\u0131yorum (Peter Dayan\u2019\u0131 Gatsby\u2019nin sorumlulu\u011funa b\u0131rakarak). Ofisine neden gitti\u011fimi hat\u0131rlam\u0131yorum (belki de beni neden \u00e7a\u011f\u0131rd\u0131\u011f\u0131n\u0131 unutmu\u015ftu). \u00c7ok heyecanl\u0131 oldu\u011fu belliydi ve uzmanlar\u0131n \u00fcr\u00fcnleriyle temellenmi\u015f denetlenmeyen (unsupervised)<\/em>\u00f6\u011frenmeye yeni yakla\u015f\u0131m\u0131n\u0131 (Hinton, 2002) a\u00e7\u0131klamaya \u00e7al\u0131\u015farak bir saat ge\u00e7irdi. Ba\u015f d\u00f6nmesiyle ve onun entelekt\u00fcel c\u00f6mertli\u011fine kar\u015f\u0131l\u0131k vermeye \u00e7al\u0131\u015fma hissiyle odadan \u00e7\u0131kt\u0131m. Serbest enerjinin biyolojik minimizasyonu \u00fczerindeki d\u00fc\u015f\u00fcncelerimi \u00f6zetlemeye \u00e7al\u0131\u015ft\u0131ktan k\u0131sa bir s\u00fcre sonra ona yazd\u0131m. Ondan cevap almad\u0131m, muhtemelen u\u00e7akla seyahat etmeyi reddetmesi Kanada\u2019ya d\u00f6n\u00fc\u015f\u00fcn\u00fc g\u00fc\u00e7le\u015ftirmi\u015fti. Ona sonradan g\u00f6nderdi\u011fim notlar serbest enerji prensipi olarak yakla\u015f\u0131k 4 sene sonra yay\u0131nland\u0131. (Friston, 2005)<\/p>\n\n\n\n

Bayes\u00e7i Beyin ve Optimizasyon<\/h2>\n\n\n\n

\u00d6yleyse fonksiyonel entegrasyonunun, enformasyon teorisinin, serbest enerji minimizasyonunun miraslar\u0131 Bayes\u00e7i beynin g\u00f6r\u00fcnt\u00fclemedeki bir tarihini nas\u0131l olu\u015fturuyor? Cevap optimizasyonda yat\u0131yor: d\u00f6rt perspektifin hepsi tek bir nitel-kan\u0131t\u0131n optimizasyonuna dayan\u0131yor.<\/p>\n\n\n\n

Enformasyon teorisinde bu, duyusal enformasyon ve i\u00e7sel temsiller aras\u0131ndaki kar\u015f\u0131l\u0131kl\u0131 enformasyonu maksimize etmeye kar\u015f\u0131l\u0131k gelir; de\u011fer \u00f6\u011frenmesi ve se\u00e7ilimde, optimizasyon de\u011fer ya da adaptif uyum a\u00e7\u0131s\u0131ndand\u0131r, \u00f6te yandan, serbest enerji minimizasyonu bir modelin kan\u0131t\u0131n\u0131 ya da marjinal olabilirli\u011fini optimize eder. T\u00fcm bu s\u00fcre\u00e7ler ayn\u0131 \u015feydir. Bir di\u011fer deyi\u015fle, bir modelin kan\u0131t\u0131n\u0131 maksimize etmek pe\u015f pe\u015fe olan \u00f6rnekler ve i\u00e7sel temsiller(karma\u015f\u0131kl\u0131k k\u0131s\u0131tlar\u0131 alt\u0131nda) aras\u0131ndaki kar\u015f\u0131l\u0131kl\u0131 enformasyonu maksimize eder. Bu asl\u0131nda maksimum verimlilik ve maksimum fazlal\u0131k (karma\u015f\u0131kl\u0131k) ilkeleri ile tutarl\u0131d\u0131r. Fakat neden Bayes\u00e7i model kan\u0131t\u0131 adaptif uyum ve de\u011fere e\u015fit olmal\u0131? Cevap basit ama soyut ve yine enformasyon teorisini ve istatiksel fizi\u011fi gerektiriyor: Bayes\u00e7i model kan\u0131t\u0131n\u0131n ortalama s\u00fcresinin, bir beyin taraf\u0131ndan \u00f6rneklenen duyusal verinin (negatif) entropisi ile ayn\u0131 oldu\u011fu ortaya \u00e7\u0131km\u0131\u015ft\u0131r.<\/p>\n\n\n\n

Bu kan\u0131t\u0131n\u0131 maksimize etmeye \u00e7al\u0131\u015fan Bayes\u00e7i beynin dolayl\u0131 olarak onun entropisini de minimize etmeye \u00e7al\u0131\u015ft\u0131\u011f\u0131 anlam\u0131na gelir. Bir di\u011fer deyi\u015fle, termodinami\u011fin ikinci yasas\u0131na kar\u015f\u0131 \u00e7\u0131kar ve karga\u015fa i\u00e7in do\u011fal e\u011filimi dikkate alarak kendi kendini d\u00fczenleme i\u00e7in prensipli bir a\u00e7\u0131klama sa\u011flar. Bu Bayes\u00e7i beynin istatiksel bir \u00e7er\u00e7eve i\u00e7indeki evrimsel d\u00fc\u015f\u00fcn\u00fc\u015f i\u00e7inde topluluk ya da pop\u00fclasyon dinamiklerini incelikle d\u00fczenledi\u011fini anlam\u0131na gelir. Fonksiyonelci ifadelerle, entropisini minimize eden kendi kendini d\u00fczenleyen b\u00f6yle bir sistem \u00e7evre ile sens\u00f6ri de\u011fi\u015fimleri hakk\u0131nda Bayes\u00e7i\u00e7\u0131karsamalar yap\u0131yor gibi g\u00f6r\u00fcnecektir, ki tabii ki sadece Bayes\u00e7i beyin hipotezidir bu. O zaman bu hik\u00e2yenin sonu mudur?<\/p>\n\n\n\n

Son S\u00f6z<\/h2>\n\n\n\n

Bu, hik\u00e2yenin sonu de\u011fil ama muhtemelen ba\u015flang\u0131c\u0131. Bayes\u00e7i beynin arkas\u0131nda yatan temel mecburiyeti anlamak gerekir. Ayr\u0131ca, bu mecburiyeti yerine getirmek i\u00e7in evrimsel ve somatik zaman \u00f6l\u00e7e\u011findeki se\u00e7ici bask\u0131lar\u0131n nas\u0131l onun anatomisini ve fizyolojisini \u015fekillendirdi\u011fini anlamak gerekir. K\u0131sacas\u0131, fonksiyonel ayr\u0131m\u0131n do\u011fas\u0131na geri gelmi\u015f oluyoruz.<\/p>\n\n\n\n

Bayes\u00e7i beyni uygulayan, bir\u00e7ok merak uyand\u0131ran planlar bulunmaktad\u0131r. Belki de en pop\u00fcler olan\u0131 \u00f6ng\u00f6r\u00fcsel kodlamad\u0131r. Bu kodlamada, a\u015fa\u011f\u0131dan yukar\u0131ya (bottom-up)<\/em> \u00f6ng\u00f6rme hatalar\u0131 (hala a\u00e7\u0131klanmam\u0131\u015f sens\u00f6ri enformasyonun o b\u00f6l\u00fcmleri hakk\u0131nda raporumu haz\u0131rl\u0131yorum) yukar\u0131dan a\u015fa\u011f\u0131ya (top-down<\/em>) \u00f6ngermeler taraf\u0131ndan bast\u0131r\u0131lm\u0131\u015ft\u0131r (Mumford, 1992). Bu ba\u011flamda, \u00f6ng\u00f6rme hatas\u0131 serbest enerji olarak kabul edilebilir, \u00f6yle ki serbest enerjiyi minimize etme etkili bir \u015fekilde \u00f6ng\u00f6rme hatas\u0131n\u0131 minimize etme ile ayn\u0131d\u0131r. Bu hususlardan do\u011fan her t\u00fcrl\u00fc ilgin\u00e7 konu bulunmaktad\u0131r, \u00f6rne\u011fin hiyerar\u015fik modellerin kullan\u0131m\u0131 ve bu modellerin fonksiyonel mant\u0131k ve kortikal ba\u011flant\u0131larla ili\u015fkisi (bkz., Zeki veShipp 1988). Ancak, bu makale i\u00e7in s\u00f6zc\u00fck say\u0131s\u0131 limitime yakla\u015f\u0131yorum ve \u015fimdi konuyu ba\u015flad\u0131\u011f\u0131 yerde kapatma zaman\u0131.<\/p>\n\n\n\n

Bayes\u00e7i beynin mekanizmalar\u0131n\u0131 anlamak i\u00e7in, altta yatan mesaj ge\u00e7i\u015fini ve n\u00f6ronal altyap\u0131y\u0131 nitelemeli ve nicelemelidir. Bir di\u011fer deyi\u015fle, \u00f6n\u00fcm\u00fczdeki g\u00fc\u00e7l\u00fck fonksiyonel ayr\u0131m ve etkili ba\u011flant\u0131sall\u0131\u011f\u0131n \u00f6l\u00e7\u00fcm\u00fc olarak kal\u0131r. Bu, son on y\u0131lda pek \u00e7ok ara\u015ft\u0131rmac\u0131n\u0131n odak noktas\u0131 olmu\u015ftur ve \u00f6zette de sezindirildi\u011fi gibi asl\u0131nda Bayes optimalli\u011finin alt\u0131nda yatan ayn\u0131 ilkelere ba\u015fvurur. Bu, dinamik nedensel modellemenin de \u00f6tesine ge\u00e7er ve herhangi bir (Bayes\u00e7i) n\u00f6rog\u00f6r\u00fcnt\u00fcleme verisine uygulad\u0131\u011f\u0131m\u0131z kan\u0131t- bazl\u0131 modelleme planlar\u0131n\u0131 i\u00e7erir. Ancak, n\u00f6rog\u00f6r\u00fcnt\u00fcleme defonksiyonel ve etkili ba\u011flant\u0131sall\u0131\u011f\u0131n tarihi kendi karakterleri i\u00e7inde ayr\u0131 bir hik\u00e2ye. Bu \u00f6zel say\u0131n\u0131n ba\u015fka makalelerinde bulunabilir.<\/p>\n\n\n\n

Sadece ilk 10 (ya da 20) y\u0131l\u0131 d\u00fczg\u00fcn bir \u015fekilde kapsad\u0131\u011f\u0131m ve pek \u00e7ok \u00f6nemli insan\u0131 ve konuyu dahil etmedi\u011fimin fark\u0131nday\u0131m. Ancak, Bayes\u00e7i beyin hikayesinin sonraki b\u00f6l\u00fcm\u00fc, t\u00fcm mimarlar\u0131yla \u201cFuture of History of the Bayesian Brain\u2019 (Bayesian Beynin Tarihinin Gelece\u011fi) i\u00e7in kalsa muhtemelen daha iyi olabilir.<\/p>\n\n\n\n

Te\u015fekk\u00fcr B\u00f6l\u00fcm\u00fc<\/h2>\n\n\n\n

Karl Friston Wellcome Trust taraf\u0131ndan desteklenmektedir.<\/p>\n\n\n\n

Bibliyografya<\/h1>\n\n\n\n

Barlow H. Possibleprinciplesunderlyingthetransformations of sensorymessages. In: Rosenblith W., editor. SensoryCommunication. MIT Press; Cambridge, MA: 1961. pp. 217\u2013234. [Google Scholar]<\/p>\n\n\n\n

Dayan P., Hinton G.E., Neal R.M. TheHelmholtzmachine. NeuralComput. 1995;7:889\u2013904. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Durbin R., Mitchison G. A dimensionreductionframeworkforunderstandingcorticalmaps. Nature. 1990;343(6259):644\u2013647. Feb 15. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Edelman G.M. NeuralDarwinism: selectionandreentrantsignaling in higherbrainfunction. Neuron. 1993;10(2):115\u2013125. Feb. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Feynman R.P. Benjamin; Reading MA, USA: 1972. Statistical Mechanics. [Google Scholar]<\/p>\n\n\n\n

F\u00f6ldi\u00e1k P. Formingsparserepresentationsbylocal anti-Hebbianlearning. Biol. Cybern. 1990;64(2):165\u2013170. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Friston K.J. A theory of corticalresponses. Philos. Trans. R. Soc. Lond. B Biol. Sci. 2005;360:815\u2013836. [PMC freearticle] [PubMed] [Google Scholar]<\/p>\n\n\n\n

Friston K. Thefree-energyprinciple: a unifiedbraintheory? Nat. Rev. Neurosci. 2010;11(2):127\u2013138. Feb. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Friston K.J., Tononi G., Reeke G.N., Jr., Sporns O., Edelman G.M. Value-dependentselection in thebrain: simulation in a syntheticneural model. Neuroscience. 1994;59(2):229\u2013243. Mar. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Gregory R.L. Perceptualillusionsandbrainmodels. Proc. R. Soc. Lond. B. 1968;171:179\u2013196. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Gregory R.L. Perceptions as hypotheses. Philos. Trans. R. Soc. Lond. B. 1980;290:181\u2013197. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Hinton G.E. Training products of expertsbyminimizingcontrastivedivergence. NeuralComput. 2002;14(8):1771\u20131800. Aug. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Hinton G.E., vanCamp D. Proceedings of COLT-93. 1993. Keepingneuralnetworkssimplebyminimisingthedescriptionlength of weights; pp. 5\u201313. [Google Scholar]<\/p>\n\n\n\n

Kersten D., Mamassian P., Yuille A. Object perception as Bayesianinference. Annu. Rev. Psychol. 2004;55:271\u2013304. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Knill D.C., Pouget A. TheBayesianbrain: the role of uncertainty in neuralcodingandcomputation. TrendsNeurosci. 2004;27(12):712\u2013719. Dec. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Lee T.S., Mumford D. HierarchicalBayesianinference in thevisualcortex. J. Opt. Soc. Am. Opt. Image Sci. Vis. 2003;20:1434\u20131448. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Lueck C.J., Zeki S., Friston K.J., Deiber N.O., Cope P., Cunningham V.J., Lammertsma A.A., Kennard C., Frackowiak R.S.J. Thecolourcentre in thecerebralcortex of man. Nature. 1989;340:386\u2013389. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Mayr E. BelknapPress of Harvard UniversityPress; Cambridge, Mass., andLondon: 1982. TheGrowth of BiologicalThought: Diversity, Evolution, andInheritance. [Google Scholar]<\/p>\n\n\n\n

Montague P.R., Dayan P., Person C., Sejnowski T.J. Beeforaging in uncertainenvironmentsusingpredictiveHebbianlearning. Nature. 1995;377(6551):725\u2013728. Oct. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Mumford D. On thecomputationalarchitecture of theneocortex. II. The role of cortico-corticalloops. Biol. Cybern. 1992;66:241\u2013251. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Rao R.P., Ballard D.H. Predictivecoding in thevisualcortex: a functionalinterpretation of someextra-classicalreceptivefieldeffects. Nat. Neurosci. 1998;2:79\u201387. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Sporns O., Tononi G., K\u00f6tter R. Thehumanconnectome: a structuraldescription of thehumanbrain. PLoSComput. Biol. 2005;1(4):e42. Sep. [PMC freearticle] [PubMed] [Google Scholar]<\/p>\n\n\n\n

Tononi G., Sporns O., Edelman G.M. A measureforbraincomplexity: relatingfunctionalsegregationandintegration in thenervoussystem. Proc. Natl. Acad. Sci. U. S. A. 1994;91(11):5033\u20135037. May 24. [PMC freearticle] [PubMed] [Google Scholar]<\/p>\n\n\n\n

vonHelmholtz H. 3rd edn. Vol. III. 1866. Concerningtheperceptions in general. (Treatise on PhysiologicalOptics). (translatedby J. P. C. Southall 1925 Opt. Soc. Am. Section 26, reprinted New York: Dover, 1962) [Google Scholar]<\/p>\n\n\n\n

Zeki S., Shipp S. Thefunctionallogic of corticalconnections. Nature. 1988;335:311\u2013317. [PubMed] [Google Scholar]<\/p>\n\n\n\n

Notlar<\/h1>\n\n\n\n

[1]<\/a> Gerald Durrell \u0130ngiliz do\u011fa bilimci, yazar ve hayvan bilimcidir. Yazar, tahminimce burada Durrell\u2019\u0131n kitaplar\u0131ndaki tasvirlerine g\u00f6ndermede bulunuyor. (\u00c7.N.)<\/p>\n\n\n\n

[2]<\/a> MRC: Medical Research Council (Medikal Ara\u015ft\u0131rma Konseyi) (\u00c7.N.)<\/p>\n\n\n\n

[3]<\/a> PET: Positron Emission Tomography (Pozitron Emisyon Tomografisi) = Organ ve dokularda ortaya \u00e7\u0131kan fonksiyonel de\u011fi\u015fiklikleri g\u00f6steren etkinli\u011fi kan\u0131tlanm\u0131\u015f bir n\u00fckleer t\u0131p g\u00f6r\u00fcnt\u00fcleme tekni\u011fidir. (\u00c7.N.)<\/p>","protected":false},"featured_media":1973,"template":"","meta":{"_acf_changed":false},"event_publishing_tags":[426,84,492,491,945,944,83,280,286,94,93,378,518,82,691,64,377,92,323,221,720,217,281,285,220,947,348,282,721,218,740,294,287,66,65,467,466,471,946,425,61,349],"kategori":[305],"class_list":["post-1972","blog_content","type-blog_content","status-publish","has-post-thumbnail","hentry","event_publishing_tags-artificial","event_publishing_tags-artificial-intelligence","event_publishing_tags-bayes","event_publishing_tags-bayesian","event_publishing_tags-bayesian-brain","event_publishing_tags-bayesyen-beyin","event_publishing_tags-beyin","event_publishing_tags-bilgisayar","event_publishing_tags-bilgisayar-bilimi","event_publishing_tags-bilis","event_publishing_tags-bilissel-bilim","event_publishing_tags-bilissel-norobilim","event_publishing_tags-bilissel-sinirbilim","event_publishing_tags-brain","event_publishing_tags-cogist","event_publishing_tags-cognition","event_publishing_tags-cognitive-neuroscience","event_publishing_tags-cognitive-science","event_publishing_tags-cogsci","event_publishing_tags-computation","event_publishing_tags-computational-cognitive-science","event_publishing_tags-computational-neuroscience","event_publishing_tags-computer","event_publishing_tags-computer-science","event_publishing_tags-hesaplama","event_publishing_tags-hesaplamali-bilissel-bilim","event_publishing_tags-intelligence","event_publishing_tags-islemleme","event_publishing_tags-islemlemesel-bilissel-bilim","event_publishing_tags-islemlemesel-norobilim","event_publishing_tags-islemlemesel-sinirbilim","event_publishing_tags-matematik","event_publishing_tags-mathematics","event_publishing_tags-neuroscience","event_publishing_tags-norobilim","event_publishing_tags-olasilik","event_publishing_tags-probability","event_publishing_tags-sinirbilim","event_publishing_tags-thomas-bayes","event_publishing_tags-yapay","event_publishing_tags-yapay-zeka","event_publishing_tags-zeka","kategori-ceviri"],"acf":[],"_links":{"self":[{"href":"https:\/\/cog-ist.com\/en\/wp-json\/wp\/v2\/blog_content\/1972","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cog-ist.com\/en\/wp-json\/wp\/v2\/blog_content"}],"about":[{"href":"https:\/\/cog-ist.com\/en\/wp-json\/wp\/v2\/types\/blog_content"}],"version-history":[{"count":0,"href":"https:\/\/cog-ist.com\/en\/wp-json\/wp\/v2\/blog_content\/1972\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cog-ist.com\/en\/wp-json\/wp\/v2\/media\/1973"}],"wp:attachment":[{"href":"https:\/\/cog-ist.com\/en\/wp-json\/wp\/v2\/media?parent=1972"}],"wp:term":[{"taxonomy":"event_publishing_tags","embeddable":true,"href":"https:\/\/cog-ist.com\/en\/wp-json\/wp\/v2\/event_publishing_tags?post=1972"},{"taxonomy":"kategori","embeddable":true,"href":"https:\/\/cog-ist.com\/en\/wp-json\/wp\/v2\/kategori?post=1972"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}