PPSF: Umysł bayesowski WF-FI-123-PPSFT-PI22
Wykład (WYK) Semestr letni 2022/23

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.

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

Wiedza:

Ocena 2 (ndst): student nie zna podstawowej terminologii dotyczącej modeli Bayesa; student nie zna podstawowych tez głoszonych przez czytanych autorów w tym argumentacji na ich rzecz.

Ocena 3 (dst): student słabo zna podstawową terminologię filozoficzną i naukowa dotyczącą modeli Bayesa. W ograniczonym stopniu rozumie analizowany problemy. Student słabo zna podstawowe tezy głoszone przez omawianych autorów oraz ich argumentację.

Ocena 4 (db): student zadowalająco zna podstawową terminologię filozoficzną i naukową związaną z modelami Bayesa, w dużym stopniu rozumie analizowany problemy.Student zna podstawowe tezy głoszone przez omawianych autorów oraz stosowaną przez nich argumentację.

Ocena 5 (bdb): student doskonale zna podstawową terminologię filozoficzną i naukową dotyczą modeli Bayesa. Doskonale rozumie analizowane problemy. Student dokładnie zna podstawowe tezy głoszone przez omawianych autorów, w tym dobrze zna i rozumie głoszoną przez nich argumentacje.

Umiejętności:

Ocena 2 (ndst): student nie jest w stanie samodzielnie czytać teksty dotyczące modeli Bayesa i dyskutować nad nimi

Ocena 3 (dst): student w małym stopniu jest w stanie samodzielnie czytać teksty dotyczące modeli Bayesa i dyskutować nad nimi

Ocena 4 (db): student jest w stanie samodzielnie zadowalająco teksty dotyczące modeli Bayesa i dyskutować nad nimi

Ocena 5 (bdb): student jest w stanie samodzielnie i twórczo czytać teksty dotyczące modeli Bayesa i dyskutować nad nimi

Kompetencje:

Ocena 2 (ndst): student nie potrafi efektywnie zorganizować własnej pracy oraz krytycznie ocenić stopień jej zaawansowania

Ocena 3 (dst): student w ograniczonym stopniu potrafi zorganizować własną pracę

Ocena 4 (db): student zadowalająco potrafi zorganizować własną pracę nad potrafi zorganizować własną pracę oraz umie krytyczne ocenić stopień ich zaawansowania

Ocena 5 (bdb): student efektywnie organizuje własną pracę oraz umie krytyczne ocenić stopień ich zaawansowania

Na ocenę końcową składają się:

1. Obecność na zajęciach

2. Aktywny udział w zajęciach (jeżeli tego wymaga np dyskusja prowadzona w trakcie wykładu)

3. Cotygodniowe przygotowanie pytań do prowadzącego na podstawie poprzedniego wykładu i zadanych lektur.

4. Wzięcie udziału i zaliczenie egzaminu pisemnego z treści prowadzonego wykładu i na podstawie zadanych lektur.

1. Wstęp do wykładu, omówienie treści oraz zaliczenia.

2. Reguła Bayesa - Bayesizm, prawdopodobieństwo i jego rozumienie.

3. Modele Bayesa w psychologii i neuronaukach.

4. Analiza Racjonalna.

5. Kodowania predykcyjne.

6-9. Przetwarzania predykcyjne.

10-12. Zasada energii swobodnej i aktywne wnioskowanie: umysł, życie, sieci społeczne.

13. Problemy modeli Bayesowskich.

14. Normatywnosć i racjonalność omawianych podejsć .

15. Podsumowanie.

-wykład;

-pogadanka.