R/PythonをGoogle Colabで動かして学ぶ！　計算論的精神医学

本書は、RとPythonを活用して、計算論的精神医学による研究を促進するための、数理モデル、数式、プログラミングをわかりやすく解説し、実際にシミュレーションやデータへのモデルフィッティングを行う方法を手引きした入門書です。

計算論的アプローチのハードルの一つは、高度な数式の理解とそれを実際のプログラミングにどう落とし込むことですが、チュートリアル形式で実際に手を動かして可視化しながら、研究に必要なプログラミングについて、順を追って学習でき、計算論的アプローチによる研究手法がわかるようになります。

そのまま動作するRやPythonのコードをGoogle Colaboratory上に公開していますので、本書と併せて、独習でも「生物物理学モデル」「ニューラルネットワークモデル」「強化学習モデル」「ベイズ推論モデル」への理解が深まり、誰でも計算論的精神医学におけるモデリングを体験できる仕組みになっています。

【目 次】
1章　計算論的精神医学概論（なぜ計算論に期待が高まるのか）
　　1．計算論的精神医学とは
　　2．データ駆動型アプローチと理論駆動型アプローチ
　　3．国内外動向と本書の位置づけ
　　4．本書のスコープ、読者のためのロードマップ
　　　
2章　Google Colaboratory入門
　　1．Google Colaboratoryについて
　　　1.1　Google Colaboratoryの利点
　　2．Google Colaboratoryの使い方
　　　2.1　準備
　　　2.2　実行
　　3．発展的な内容
　　　3.1　困ったときには……
　　　3.2　セルの追加
　　　3.3　役立つ機能
　　　
3章　生物物理学的モデル
　　1．生物物理学的モデルを体験してみよう
　　　1.1　本章の目標
　　　1.2　そもそも脳とは何だろう
　　　1.3　受容体機能の変化によるワーキングメモリ障害
　　　1.4　シミュレーションをしてみよう！
　　　1.5　本章の構成について
　　2．膜電位とスパイクのモデル
　　　2.1　シミュレーションをしてみよう！
　　　2.2　理論編
　　　COLUMN　微分方程式と数値計算
　　　2.3　実装編
　　3．イオンチャネルのモデル
　　　3.1　シミュレーションをしてみよう！
　　　3.2　理論編
　　　3.3　実装編
　　4．NMDA受容体付き神経細胞
　　　4.1　シミュレーションをしてみよう！
　　　4.2　理論編
　　　4.3　実装編
　　　COLUMN　ホジキン・ハックスリーモデル
　　5．ワーキングメモリモデル
　　　5.1　ワーキングメモリモデルの概要
　　　5.2　理論編
　　　5.3　実装編
　　　5.4　シミュレーションをしてみよう！
　　　5.5　最後に
　　　
4章　ニューラルネットワークモデル
　　1．本章の目的
　　　COLUMN　ニューラルネットワークモデルの歴史から学ぶ脳と人工知能の対照
　　2．活性化関数
　　　COLUMN　速習・オブジェクト指向言語
　　3．線形層
　　4．多層パーセプトロン
　　　4.1　モデルと数式
　　　4.2　実装
　　　4.3　パーセプトロンの動作検証
　　　4.4　ストループ課題への適用
　　5．誤差逆伝播法
　　　5.1　原理的理解
　　　COLUMN　誤差逆伝播法の基礎1：勾配降下法
　　　5.2　Py Torchによる実装
　　　5.3　多層パーセプトロンの学習
　　6．認知行動課題のタスク設定
　　7．リカレントニューラルネットワークモデル
　　　7.1　モデルと数式
　　　7.2　実装
　　　7.3　学習と予測
　　8．仮想障害シミュレーション
　　　8.1　実装
　　　8.2　比較実験
　　　8.3　最後に
　　　
5章　強化学習モデル
　　1．強化学習モデルと本章で扱う内容について
　　　1.1　強化学習モデルの概要
　　　1.2　本章の構成
　　　1.3　行動データのファイルに関して
　　　1.4　Rの使用に関して
　　　1.5　本章で作成する関数について
　　2．本章で扱う行動課題
　　　2.1　課題を体験してみよう
　　　2.2　関数の作成（課題設定用コード）
　　　2.3　課題設定の可視化
　　3．強化学習モデル
　　　3.1　価値の更新
　　　3.2　選択確率の計算
　　　3.3　選択
　　4．行動データの生成
　　　4.1　関数の作成（データ生成用コード）
　　　4.2　1人分のデータ生成
　　　4.3　100人分のデータ生成
　　5．パラメータ推定
　　　5.1　サンプルデータの確認
　　　5.2　尤度、対数尤度
　　　5.3　関数の作成（対数尤度を算出するコード）
　　　5.4　optim関数の紹介
　　　5.5　関数の作成（最尤推定を行うコード）
　　　5.6　パラメータ推定の実行
　　6．パラメータリカバリー
　　7．モデル比較
　　　7.1　学習率の非対称性を組み込んだモデル
　　　7.2　モデル比較の実行
　　8．最後に
　　　COLUMN　モデルの信頼性と妥当性
　　　
6章　ベイズ推論モデル
　　1．ベイズ推論モデル
　　　1.1　ベイズ推論モデルとは
　　　1.2　状態空間モデルとは
　　2．パラメータ化信念更新モデル
　　　2.1　ビーズ課題
　　　2.2　パラメータ化信念更新モデルとは
　　　2.3　パラメータ化信念更新モデルのパラメータ推定
　　　COLUMN　最適化手法について
　　3．カルマンフィルター
　　　3.1　ポイントの出るスロットマシーン課題
　　　3.2　カルマンフィルターとは
　　　3.3　カルマンフィルターのパラメータ推定
　　4．階層ガウシアンフィルター
　　　4.1　変動性のある逆転学習課題
　　　4.2　階層ガウシアンフィルターとは
　　　4.3　PyHGF による階層ガウシアンフィルター
　　　COLUMN　変動性カルマンフィルター
　　5．能動的推論
　　　5.1　自由エネルギー原理とは
　　　5.2　能動的推論モデルの実装
　　　COLUMN　能動的推論を用いた心理療法の作用メカニズム研究
　　　COLUMN　潜在原因モデル
　　　
計算論的精神医学は精神医学にどのように貢献できるか? ―あとがきに代えてー