PPSF: Umysł bayesowski WF-FI-123-PPSFT-PI22
Celem kursu jest wprowadzenie studentów do zagadnień powiązanych ze współczesnymi modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu.
W trakcie zajęć studenci poznają treść i znaczenie wnioskowania Bayesa oraz jego wykorzystanie na gruncie psychologii i kognitywistyki. Zostaną omówione klasyczne Bayesowskie modele. Szczególną uwagę poświęcimy przetwarzaniu predykcyjnemu oraz modelom opartym na zasadzie minimalizacji energii swobodnej. Wybrane modele oraz ramy badawcze będą analizowane pod kątem ich mocy eksplanacyjnych, racjonalności, normatywności oraz ich filozoficznego znaczenia dla dyskusji nad poznanie, umysłem czy naturą rzeczywistości.
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
E-Learning
Grupa przedmiotów ogólnouczenianych
Opis nakładu pracy studenta w ECTS
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Wymagania wstępne
Koordynatorzy przedmiotu
Efekty kształcenia
Wiedza:
1. student zna i rozumie historyczny charakter pojawienia się i wykorzystania modeli Bayesa;
2. student zna idee i argumenty używane przez zwolenników wykorzystywania modeli Bayesa;
3. student rozumie i rozpoznaje problemy związane z wykorzystywaniem modeli Bayesa w nauce i filozofii.
Umiejętności:
1. student czyta i interpretuje teksty filozoficzne dotyczące modeli Bayesa;
2. student dostrzega i rozpoznaje problemy filozoficzne powiązane z wykorzystaniem modeli Bayesa.
Kompetencje:
1. student zna zakres posiadanej przez siebie wiedzy w zakresie filozofii Bayesizmu;
2. student rozumie potrzebę ciągłego dokształcania się i rozwoju w zakresie problematyki filozoficznej prezentowanej na zajęciach
ECTS [1 ECTS = 30(25) godz.]:
udział w wykładzie: 30 godz.
udział w ćwiczeniach: 30 godz.
lektura tekstów i przygotowanie do ćwiczeń: 60 godz.
przygotowanie do egzaminu: 30 godz.
Suma godzin (średnio): 150 [150/30(25)=5]
Liczba ECTS: 5 (wykład 3 ECTS i ćwiczenia 2 ECTS)
Kryteria oceniania
Egzamin pisemny oparty na treści wykładów i poleconych lekturach.
Ćwiczenia - regularne przygotowywanie notatek z lektur, wygłoszenie referatu, udział dyskusji.
Ocena końcowa jest średnią ważoną oceny z obecności na zajęciach (1/3), przygotowania do nich, znajomości zleconych lektur oraz prztygotowania referatu (1/3) oraz oceny z egzaminu końcowego (1/3).
Praktyki zawodowe
n/d
Literatura
Anderson, J. R. (1991). Is human cognition adaptive? Behavioral and Brain Sciences, 14, 471–517.
Bowers, J. S., Davis, C. J. (2012). Bayesian just-so stories in psychology and neuroscience. Psychological Bulletin, 138(3), 389–414. https://doi.org/10.1037/a0026450.
Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36, 181–204. https://doi.org/10.1017/ S0140525X12000477.
Colombo, M., Elkin, E., Hartmann, S. (2018). Being realist about Bayes and the predictive processing theory of mind. The British Journal for the Philosophy of Science, axy059, 1–32. https://doi.org/10.1093/bjps/axy059.
Elqayam, S., Evans, J. S. (2011). Subtracting ,,ought” from ,,is”: Descriptivism versus normativism in the study of human thinking. Behavioral and Brain Sciences, 34(5), 233–248. https://doi.org/10.1017/S0140525X1100001X.
Fink, S. B., Zednik, C. (2017). Meeting in the dark room: Bayesian rational analysis and hierarchical predictive coding. W: T. Metzinger, W. Wiese (eds.), Philosophy and Predictive Processing, 8, 1–13. Frankfurt am Main: MI ND Group. https://doi.org/10.15502/9783958573154.
Friston, K. J. (2012). A free energy principle for biological systems. Entropy, 14, 2100–2121. https://doi.org/10.3390/e14112100.
Friston, K. J., FitzGerald, T., Rigoli, F., Schwartenbeck, P., Pezzulo, G. (2017). Active inference: A process theory. Neural Computation, 29(1), 1–49.
Gigerenzer, G., Brighton, H. (2009). Homo heuristicus: Why biased minds make better inferences. Topics in Cognitive Science, 1(1), 107–143. https://doi.org/10.1111/j.1756-8765.2008.01006.x.
Griffiths, T. L., Kemp, C., Tenenbaum, J. B. (2008). Bayesian models of cognition. W: R. Sun (ed.), The Cambridge handbook of computational cognitive modeling (1–49). Cambridge: Cambridge University Press.
Hahn, U. (2014). The Bayesian boom: Good thing or bad? Frontiers in Psychology, 5(765), 1–12. https://doi.org/10.3389/fpsyg.2014.00765.
Hohwy, J. (2013). The predictive mind. Oxford: Oxford University Press.
Hohwy, J. (2020). New directions in predictive processing. Mind & Language, 2(35), 209–223. https://doi.org/10.1111/mila.12281.
Kwisthout, J., van Rooij, I. (2019). Computational resource demands of a predictive Bayesian brain. Synthese, first online, 1–15. https://doi.org/10.1007/s42113-019-00032-3.
Lee, T. S., Mumford, D. (2003). Hierarchical Bayesian inference in the visual cortex. Optical Society of America, 20(7), 1434–1448.
Litwin, P., Miłkowski, M. (2020). Unification by fiat: Arrested development of predictive processing. Cognitive Science, 7(44), 1–27. https://doi.org/10.1111/cogs.12867.
Oaksford, M. (2014). Normativity, interpretation and Bayesian models. Frontiers in Psychology, 5(332), 1–5.
https://doi.org/10.3389/fpsyg.2014.00332.
Oaksford, M., Chater, N. (2007). Bayesian rationality: The probabilistic approach to human reasoning. Oxford: Oxford University Press.
Orlandi, N. (2016). Bayesian perception is ecological perception. Philosophical Topics, 44(2), 327–351.
Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. San Francisco: Morgan Kaufmann Publishers.
Piekarski, M. (2020. Mechanizmy predykcyjne i ich normatywność. Liberi Libri. Warszawa.
Ramstead, M. J. D., Kirchhoff, M. D., Friston, K. J. (2019). A tale of two densities: Active inference is enactive inference. Adaptive Behavior, first online, 1–15. https://doi. org/10.1177/1059712319862774.
Rescorla, M. (2015). Bayesian perceptual psychology. W: M. Matthen (ed.), The Oxford handbook of philosophy of perception (694–716). Oxford: Oxford University Press.
Spratling, M. W. (2017). A review of predictive coding algorithms. Brain and Cognition, 112, 92–97. https://doi.org/10.1016/j.bandc.2015.11.003.
Wiese, W., Metzinger, T. (2017). Vanilla PP for philosophers: A primer on predictive processing. W: T. Metzinger, W. Wiese (eds.), Philosophy and Predictive Processing, 1, 1–18. Frankfurt am Main: MI ND Group. https://doi.org/10.15502/9783958573024.
Uwagi
|
W cyklu 2022/23_L:
brak |
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: