Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie - Centralny System Uwierzytelniania
Strona główna

PPSF: Umysł bayesowski

Informacje ogólne

Kod przedmiotu: WF-FI-123-PPSFT-PI22
Kod Erasmus / ISCED: 08.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0223) Filozofia i etyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: PPSF: Umysł bayesowski
Jednostka: Instytut Filozofii
Grupy: Podstawowe problemy subdyscyplin filozofii - do wyboru na I, II lub III roku
Wykłady systematyczne - rok 2 i 3 stopień I
Strona przedmiotu: https://teams.microsoft.com/l/team/19%3al_apVpyQpJLNQWbGAsuW0_ux8FKE-9XimBvfN3BSwL41%40thread.tacv2/conversations?groupId=d9a6b10b-f5f5-4263-9fd5-aed681bf9763&tenantId=12578430-c51b-4816-8163-c7281035b9b3
Punkty ECTS i inne: 5.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Dyscyplina naukowa, do której odnoszą się efekty uczenia się:

filozofia

Poziom przedmiotu:

podstawowy

Symbol/Symbole kierunkowe efektów uczenia się:

FI1_W01; FI1_W06;

FI1_W08; FI1_W09; FI1_U08;

FI1_K01; FI1_K03; FI1_K05;

Wymagania wstępne:

Podstawowa wiedza z zakresu epistemologii i historii filozofii nowożytnej oraz współczesnej.

Skrócony opis:

Celem kursu jest wprowadzenie studentów do zagadnień powiązanych ze współczenymi modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu.

Pełny opis:

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.

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: 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)

Metody i 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

Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)

Okres: 2023-02-01 - 2023-06-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 15 godzin, 30 miejsc więcej informacji
Wykład, 30 godzin, 30 miejsc więcej informacji
Koordynatorzy: Michał Piekarski
Prowadzący grup: Michał Piekarski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzaminacyjny
Ćwiczenia - Zaliczenie na ocenę
Wykład - Egzaminacyjny
E-Learning:

E-Learning (pełny kurs) z podziałem na grupy

Opis nakładu pracy studenta w ECTS:

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)

Typ przedmiotu:

fakultatywny dowolnego wyboru

Grupa przedmiotów ogólnouczenianych:

nie dotyczy

Skrócony opis:

Celem kursu jest wprowadzenie studentów do zagadnień powiązanych ze współczenymi modelami Bayesa wykorzystywanymi w filozofii umysłu oraz naukach o poznaniu i życiu.

Pełny opis:

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.

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:

brak

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie.
ul. Dewajtis 5,
01-815 Warszawa
tel: +48 22 561 88 00 https://uksw.edu.pl
kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)