Embodied knowledge is a type of knowledge where the body knows how to act. A simple and general example is riding a bicycle. Most of us know how to ride a bicycle, and we are able to do it without any deliberation. There is no need to verbalize or represent in the mind all the procedures required.

snad je to kazdemu jasne, ale pre istotu to sem aj tak napisem.
PRAVIDLO CISLO 1: Kazdy je zodpovedny sam za seba! Toto forum je cisto informativne a nikoho nema navadzat k nijakym cinom. Predtym nez pripevnis hocikomu na telo akekolvek elektrody, tak by si mal UPLNE PRESNE vediet co prave robis, poznat VSETKY mozne rizika ktore su s tym spojene a vediet ako im predchadzat a tiez dobre porozmyslat nad tym co robit, ak sa stane nieco neocakavne. Elektrika moze zabijat, aj z baterie. NIKDY nepouzivaj nijake zariadenie ktore je vodivo spojene zaroven s elektrickou sietou a telom. A ak sa aj tak zabijes, tak sa tu potom nestazuj. Tri vykricniky.



openEEG
http://openeeg.sourceforge.net/doc/
http://www.olimex.com/gadgets/index.html

Vitajte vo fore Emotiv Epoc - kyberia research&coding club




|[official web];[SDK home] | [wiki];[porovnanie komercnych EEG zariadeni]|
|[consumer headset (sold out/preorder na maj)];[developer headset];[ako riesit "ship to US only"]|
|[main forum];[SDK forum]|

|[facebook Emotivated group];[FB Emotiv-EPOC group];[FB group-Emotiv(duplicitna)]|
|[Twitter];[youtube]|

Emotiv Epoc je jednym z prvych komercne dostupnych EEG neuroheadsetov (prvy so slusnejsim poctom elektrod - 14) a hlavne SoftwareDevelopmentKit-om (SDK). Ponuka priestor pre jednoduchy neuro-research, a vyvoj SW aplikacii - alebo len novy input device, ci game controller.
Ak zvazujete kupu, odporucam prejst si stranku Emotivu, aby ste mali presnu predstavu, co toto zariadenie dokaze a hlavne, ak vam ide o vyvoj aplikacii, ktora SDK licencia je pre vas najvhodnejsou.

~~~~
System Requirements (z Emotiv stranky):
- Windows XP/Vista
(Consumer verzia - OK aj na Windows 7,
Developer zatial len prostrednictvom VM riesenia,
dovodom je neuplna kompatibilita SDK)

- 2.2 GHz Dual Core CPU or faster
- 1.5GB RAM
- 150MB Hard drive
- Graphic cards with 256MB memory

°°°°°
System Requirements podla SDK FAQ:
- Windows XP/Vista
- 2.4 GHz Intel Pentium 4 processor (or equivalent).
- 1 GB RAM.
- 50 MB available disk space.
- One unused USB 2.0 port per neuro-headset used.

Minimal Requirements stale otazne

~~~~
Nase ciele:
Spojit ludi a vytvorit priestor pre diskusiu o tomto techu, zriadit priestor, kde sa daju najst aplikacie/casti zdrojakov od tvorcov z kyberie, kde sa da zdielat knowhow, nakumulovat hyper-uzol na ostatne info ohladne produktu (nalinkovat aj na pribuzny tech, prepajat epoc na pouzitie s inym techom)
Navyse motivovat dalsich ludi s podobnymi zaujmami, aby investovali a kupili si tech, spolupracovali na spolocnych projektoch, radili si, ked nevedia dalej...

masters: id urza, id lemon

FYI: Emotiv robil Website Relaunch & Migration, niektore veci sa zmenili. Momentalne to vyzera uz ustalene, ale cast z povodnych developer diskusii bola presunuta do fora, ktore nie je zvonka pristupne. Ked to bude mozne, pokusime sa to znova nalinkovat.

Kognitívne vedy sú väčšinou definované ako vedecká disciplína mysle alebo inteligencie. Prakticky každý úvod do kognitívnej vedy zdôrazňuje, že ide o interdisciplinárnu vednú disciplínu zahŕňajúcu psychológiu, neurovedu, lingivstiku, filozofiu, informatiku, umelú inteligenciu, antropológiu a biológiu (ukradnuté z wikipédie).

Informácie je možné ziskať z:
Cogprints
Wikipedia: Cognitive sciences
Wikipedia: Mind and Brain portal
Wikibooks: Consciousness studies
Rybár, Beňušková, Kvasnička a kolektív: Kognitívne vedy (jedna kapitola v PDF od doc. Šefránka na jeho stránke -- musíte na článok kliknúť, lebo kybéria mi "z bezpečnostných dôvodov" nedovoli vložiť časť URL /on a je to na /online/ :).

Celouniverzitný predmet Univerzity Komenského (prednášky sa konajú na FMFI UK) Kognitívne vedy. program. V zimnom semestri prebiehajú kognitívne vedy: mozog a myseľ, v letnom semestry kognitívne vedy: jazyk a kognícia.

Spriatelené fóra: Umelá inteligencia, Neurónové siete

Články a štúdie: Mayberry: Incremental Non Monotonic Parsing through Semantic Self-Organization (je to dosť odborné: neurónové siete)

V prípade, že by ste chceli niečo doplniť do topicu (alebo nebodaj spraviť nejaké rozumné formátovanie), dajte mi vedieť, spravím vás mastrami.

Očakávam tu viac či menej odbornú diskusiu na tému, zaujímavé linky, postrehy, nápady a všetko relevantné.

Možné zaujímavé prvotné témy na diskusiu: Kto sme? Ako rozmýšľame? Čím sa líšime od zvierat (a čo máme s nimi spoločné)? Ako sa naša reč vyvíja? Ako sa učíme hovoriť? Je teoreticky možné implementovať myslenie človeka v počítači? (Searlova izba, Turing test, ...)

I FUNDAMENTALS 11
1 Introduction 13
2 Fundamentals 15
2.1 A framework for distributed representation : : : : : : : : : : : : : : : : : : : : : 15
2.1.1 Processing units : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 15
2.1.2 Connections between units : : : : : : : : : : : : : : : : : : : : : : : : : : 16
2.1.3 Activation and output rules : : : : : : : : : : : : : : : : : : : : : : : : : : 16
2.2 Network topologies : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 17
2.3 Training of articial neural networks : : : : : : : : : : : : : : : : : : : : : : : : : 18
2.3.1 Paradigms of learning : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 18
2.3.2 Modifying patterns of connectivity : : : : : : : : : : : : : : : : : : : : : : 18
2.4 Notation and terminology : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 18
2.4.1 Notation : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 19
2.4.2 Terminology : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 19
II THEORY 21
3 Perceptron and Adaline 23
3.1 Networks with threshold activation functions : : : : : : : : : : : : : : : : : : : : 23
3.2 Perceptron learning rule and convergence theorem : : : : : : : : : : : : : : : : : 24
3.2.1 Example of the Perceptron learning rule : : : : : : : : : : : : : : : : : : : 25
3.2.2 Convergence theorem : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 25
3.2.3 The original Perceptron : : : : : : : : : : : : : : : : : : : : : : : : : : : : 26
3.3 The adaptive linear element (Adaline) : : : : : : : : : : : : : : : : : : : : : : : : 27
3.4 Networks with linear activation functions: the delta rule : : : : : : : : : : : : : : 28
3.5 Exclusive-OR problem : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 29
3.6 Multi-layer perceptrons can do everything : : : : : : : : : : : : : : : : : : : : : : 30
3.7 Conclusions : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 31
4 Back-Propagation 33
4.1 Multi-layer feed-forward networks : : : : : : : : : : : : : : : : : : : : : : : : : : : 33
4.2 The generalised delta rule : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 33
4.2.1 Understanding back-propagation : : : : : : : : : : : : : : : : : : : : : : : 35
4.3 Working with back-propagation : : : : : : : : : : : : : : : : : : : : : : : : : : : : 36
4.4 An example : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 37
4.5 Other activation functions : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 38
3
4 CONTENTS
4.6 Deciencies of back-propagation : : : : : : : : : : : : : : : : : : : : : : : : : : : : 39
4.7 Advanced algorithms : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 40
4.8 How good are multi-layer feed-forward networks? : : : : : : : : : : : : : : : : : : 42
4.8.1 The eect of the number of learning samples : : : : : : : : : : : : : : : : 43
4.8.2 The eect of the number of hidden units : : : : : : : : : : : : : : : : : : : 44
4.9 Applications : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 45
5 Recurrent Networks 47
5.1 The generalised delta-rule in recurrent networks : : : : : : : : : : : : : : : : : : : 47
5.1.1 The Jordan network : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 48
5.1.2 The Elman network : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 48
5.1.3 Back-propagation in fully recurrent networks : : : : : : : : : : : : : : : : 50
5.2 The Hopeld network : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 50
5.2.1 Description : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 50
5.2.2 Hopeld network as associative memory : : : : : : : : : : : : : : : : : : : 52
5.2.3 Neurons with graded response : : : : : : : : : : : : : : : : : : : : : : : : : 52
5.3 Boltzmann machines : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 54
6 Self-Organising Networks 57
6.1 Competitive learning : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 57
6.1.1 Clustering : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 57
6.1.2 Vector quantisation : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 61
6.2 Kohonen network : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 64
6.3 Principal component networks : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 66
6.3.1 Introduction : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 66
6.3.2 Normalised Hebbian rule : : : : : : : : : : : : : : : : : : : : : : : : : : : 67
6.3.3 Principal component extractor : : : : : : : : : : : : : : : : : : : : : : : : 68
6.3.4 More eigenvectors : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 69
6.4 Adaptive resonance theory : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 69
6.4.1 Background: Adaptive resonance theory : : : : : : : : : : : : : : : : : : : 69
6.4.2 ART1: The simplied neural network model : : : : : : : : : : : : : : : : : 70
6.4.3 ART1: The original model : : : : : : : : : : : : : : : : : : : : : : : : : : : 72
7 Reinforcement learning 75
7.1 The critic : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 75
7.2 The controller network : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 76
7.3 Barto's approach: the ASE-ACE combination : : : : : : : : : : : : : : : : : : : : 77
7.3.1 Associative search : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 77
7.3.2 Adaptive critic : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 78
7.3.3 The cart-pole system : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 79
7.4 Reinforcement learning versus optimal control : : : : : : : : : : : : : : : : : : : : 80
III APPLICATIONS 83
8 Robot Control 85
8.1 End-eector positioning : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 86
8.1.1 Camera{robot coordination is function approximation : : : : : : : : : : : 87
8.2 Robot arm dynamics : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 91
8.3 Mobile robots : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 94
8.3.1 Model based navigation : : : : : : : : : : : : : : : : : : : : : : : : : : : : 94
8.3.2 Sensor based control : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 95
CONTENTS 5
9 Vision 97
9.1 Introduction : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 97
9.2 Feed-forward types of networks : : : : : : : : : : : : : : : : : : : : : : : : : : : : 97
9.3 Self-organising networks for image compression : : : : : : : : : : : : : : : : : : : 98
9.3.1 Back-propagation : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 99
9.3.2 Linear networks : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 99
9.3.3 Principal components as features : : : : : : : : : : : : : : : : : : : : : : : 99
9.4 The cognitron and neocognitron : : : : : : : : : : : : : : : : : : : : : : : : : : : 100
9.4.1 Description of the cells : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 100
9.4.2 Structure of the cognitron : : : : : : : : : : : : : : : : : : : : : : : : : : : 101
9.4.3 Simulation results : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 102
9.5 Relaxation types of networks : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 103
9.5.1 Depth from stereo : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 103
9.5.2 Image restoration and image segmentation : : : : : : : : : : : : : : : : : : 105
9.5.3 Silicon retina : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 105
IV IMPLEMENTATIONS 107
10 General Purpose Hardware 111
10.1 The Connection Machine : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 112
10.1.1 Architecture : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 112
10.1.2 Applicability to neural networks : : : : : : : : : : : : : : : : : : : : : : : 113
10.2 Systolic arrays : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 114
11 Dedicated Neuro-Hardware 115
11.1 General issues : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 115
11.1.1 Connectivity constraints : : : : : : : : : : : : : : : : : : : : : : : : : : : : 115
11.1.2 Analogue vs. digital : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 116
11.1.3 Optics : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 116
11.1.4 Learning vs. non-learning : : : : : : : : : : : : : : : : : : : : : : : : : : : 117
11.2 Implementation examples : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 117
11.2.1 Carver Mead's silicon retina : : : : : : : : : : : : : : : : : : : : : : : : : : 117
11.2.2 LEP's LNeuro chip : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 119

wilhelm reich - mass psychology of facism

mem - to, co sa siri/replikuje imitaciou

memeplex - subor memov zkonstruovany tak aby umoznil jednoduchsiu replikaciu memov z ktorych pozostava

egoplex - nesmierne robustny memplex postupne "nasroubovany" na hardware mozgu umoznujuci kvalitnejsiu replikaciu memov kedze dotycny za nimi stoji "celou svojou bytostou"

az do relativne nedavnej doby bol jediny informacny priestor v ktorom dochadzalo k replikacii a mutacii memov ludsky mozog. casy sa menia

1.zakon - pokial sa mem moze sirit, siri sa


"Zo vsetkych vied, najnebezpecnejsia je veda o ovladani myslenia davu, pretoze umozni ovladnut cely svet."

forum o najzhubnejsom meme menom terorizmus

cvicenia: vymyslenie a nasledne zvysene pouzivanie noveho terminu (wole/uii/23), alebo noveho gesta (bozkanie ruk damam atd.)