WMSF: Od umysłu do życia - współczesna debata WF-FI-123-WMSFT-P21
Celem wykładu jest zaznajomienie studentów ze współczenych modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu. W trakcie wykładu student pozna treść i znaczenie reguły Bayesa, pierwsze Bayesowskie modele w psychologii oraz kognitywistyce, racjonalną analizę; kodowanie predykcyjne, przetwarzanie predykcyjne, aktywne wnioskowanie oraz model oparty na zasadzie energii swobodnej. Wybrane modele będą analizowane pod kątem ich mocy eksplanacyjnych, racjonalności i normatywności.
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
E-Learning
Grupa przedmiotów ogólnouczenianych
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
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: 0-30 godz.
lektura tekstów: 30-60 godz.
przygotowanie do egzaminu: 60-90 godz.
Suma godzin (średnio): 120 [120/30(25)=4]
Liczba ECTS: 4
Kryteria oceniania
Egzamin ustny oparty na treści wykładów i poleconych lekturach.
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 2021/22_L:
Podstawowa znajmosć filozofii nauki i epistemologii. |
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: