WMSF: Od umysłu do życia - współczesna debata
Informacje ogólne
Kod przedmiotu: | WF-FI-123-WMSFT-P21 |
Kod Erasmus / ISCED: |
08.1
|
Nazwa przedmiotu: | WMSF: Od umysłu do życia - współczesna debata |
Jednostka: | Instytut Filozofii |
Grupy: |
Grupa przedmiotów ogólnouczelnianych - obszar nauk humanistycznych i społecznych (studia I st. i JM) |
Punkty ECTS i inne: |
4.00
|
Język prowadzenia: | polski |
Dyscyplina naukowa, do której odnoszą się efekty uczenia się: | filozofia |
Poziom przedmiotu: | podstawowy |
Symbol/Symbole kierunkowe efektów uczenia się: | FI1_W06; FI1_W08; FI1_W09; FI1_U10; |
Skrócony opis: |
Celem wykładu jest zaznajomienie studentów ze współczenych modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu. Wykład ma charakter propedutyczny. |
Pełny opis: |
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. |
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. |
Efekty kształcenia i opis ECTS: |
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 |
Metody i 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 |
Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)
Okres: | 2022-02-01 - 2022-06-30 |
Przejdź do planu
PN WYK
WT ŚR CZ PT |
Typ zajęć: |
Wykład, 30 godzin, 35 miejsc
|
|
Koordynatorzy: | Michał Piekarski | |
Prowadzący grup: | Michał Piekarski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzaminacyjny
Wykład - Egzaminacyjny |
|
E-Learning: | E-Learning (pełny kurs) z podziałem na grupy |
|
Typ przedmiotu: | obowiązkowy |
|
Grupa przedmiotów ogólnouczenianych: | PO/H1 - obszar nauk humanistycznych - I stopień/JM |
|
Skrócony opis: |
Celem wykładu jest zaznajomienie studentów ze współczenych modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu. Wykład ma charakter propedutyczny. |
|
Pełny opis: |
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. |
|
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. |
|
Wymagania wstępne: |
Podstawowa znajmosć filozofii nauki i epistemologii. |
Właścicielem praw autorskich jest Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie.