Reprezentacja wiedzy przyczynowej (wykład) - 2018/2019

Opis zajęć
Informacje ogólne
Prowadzący:dr hab. Paweł Kawalec
Organizator:Wydział Filozofii - Instytut Filozofii
Liczba godzin tydzień/semestr: 2/30
Język wykładowy:Język polski
Cele przedmiotu
1. Zapoznanie studentów z problematyką sposobów reprezentacji i odkrywania zależności przyczynowych.
2. Nabycie umiejętności przyczynowej analizy danych.
3. Kompetencje społeczne w zakresie pracy zespołowej przy analizie danych.
Wymagania wstępne
Podstawy teorii prawdopodobieństwa oraz filozofii nauki.
Efekty kształcenia dla przedmiotu
WIEDZA
1. Student zna sposoby reprezentacji przyczynowej.
2. Student zna zależności probabilistyczne i związki z interpretacją przyczynową.
3. Student zna zagadnienia automatycznego odkrywania zależności przyczynowych.

UMIEJĘTNOŚCI
1. Potrafi określić uwarunkowania przyczynowej interpretacji danych.
2. Potrafi przeprowadzić analizę zależności przyczynowych z danych.
3. Potrafi zinterpretować graficzny model zależności przyczynowych.

KOMPETENCJE SPOŁECZNE (POSTAWY)
1. Podejmuje współpracę w grupie w celu realizacji zadanego zadania badawczego/analitycznego.
2. Ma postawę otwartości na możliwe interpretacje uzyskanych wyników.
Metody dydaktyczne
wykład tradycyjny z prezentacją multimedialną, elementami warsztatów, pracy w grupach i dyskusji
Treści programowe przedmiotu
Wprowadzenie do reprezentacji przyczynowej. Wprowadzenie do metodologii probabilistycznej. Zagadnienie odkrywania zależności przyczynowych. Podstawowe algorytmy: PC i HITON-PC. Analiza przykładów odkrywania i reprezentacji zależności przyczynowych.
Kryteria oceny i sposoby weryfikacji zakładanych efektów kształcenia
niedostateczny
Student nie zna sposobów reprezentacji przyczynowej. Student nie zna zależności probabilistycznych i związków z interpretacją przyczynową. Student nie zna zagadnień automatycznego odkrywania zależności przyczynowych.
Nie potrafi określić uwarunkowania przyczynowej interpretacji danych. Nie potrafi przeprowadzić analizę zależności przyczynowych z danych. Nie potrafi zinterpretować graficzny model zależności przyczynowych. Nie podejmuje współpracy w grupie w celu realizacji zadanego zadania badawczego/analitycznego.
Nie ma postawy otwartości na możliwe interpretacje uzyskanych wyników.

dostateczny
Student zna podstawowe sposoby reprezentacji przyczynowej. Student zna wybrane zależności probabilistyczne i związki z interpretacją przyczynową. Student zna niektóre zagadnienia automatycznego odkrywania zależności przyczynowych.
Potrafi określić niektóre uwarunkowania przyczynowej interpretacji danych. Potrafi przeprowadzić analizę zależności przyczynowych z prostych zbiorów danych. Potrafi zinterpretować prosty graficzny model zależności przyczynowych.
Podejmuje współpracę w grupie w celu realizacji zadanego zadania badawczego/analitycznego. Ma postawę otwartości na możliwe interpretacje uzyskanych wyników.

dobry
Student zna najważniejsze sposoby reprezentacji przyczynowej. Student zna istotne zależności probabilistyczne i związki z interpretacją przyczynową. Student zna zagadnienia automatycznego odkrywania zależności przyczynowych.
Potrafi określić istotne uwarunkowania przyczynowej interpretacji danych. Potrafi przeprowadzić analizę zależności przyczynowych z danych. Potrafi zinterpretować rozbudowany graficzny model zależności przyczynowych.
Podejmuje współpracę w grupie w celu realizacji zadanego zadania badawczego/analitycznego. Ma postawę otwartości na możliwe interpretacje uzyskanych wyników.

bardzo dobry
Student ma pogłębioną znajomość sposobów reprezentacji przyczynowej. Student zna zależności probabilistyczne i związki z interpretacją przyczynową, także dla modeli ze zmiennymi ukrytymi. Student zna zagadnienia automatycznego odkrywania zależności przyczynowych, także dla przypadków słabo zdefiniowanych zbiorów zmiennych.
Potrafi określić i wyjaśnić uwarunkowania przyczynowej interpretacji danych. Potrafi przeprowadzić analizę zależności przyczynowych z danych i podać charakterystykę metodologiczną. Potrafi zinterpretować rozbudowany graficzny model zależności przyczynowych.
Podejmuje współpracę w grupie w celu realizacji zadanego zadania badawczego/analitycznego. Ma postawę otwartości na możliwe interpretacje uzyskanych wyników.
Literatura podstawowa i uzupełniająca
Cabell K.R., i Valsiner J., The Catalyzing Mind, Springer New York, New York, NY 2014.
Chakraborty B., i Moodie E.E.M., Statistical Methods for Dynamic Treatment Regimes, Springer New York, New York, NY 2013.
Freedman D., Collier D., Sekhon J.S., i Stark P.B., Statistical models and causal inference a dialogue with the social sciences, Cambridge University Press, Cambridge; New York 2010.
Gopnik A., i Schulz L., Causal learning: psychology, philosophy, and computation, Oxford University Press, Oxford ; New York 2007.
Kawalec P., Przyczyna i wyjaśnianie: studium z filozofii i metodologii nauk, Wydawnictwo KUL, Lublin 2006.
Kawalec P., Przyczynowość stanów mentalnych w modelach naukowych. Próba alternatywnego uzasadnienia antynaturalizmu eksplanacyjnego Urszuli Żegleń, [w:] Umysł. Natura i sposób istnienia, red. Z. Muszyński, Wydawnictwo UMCS, Lublin 2010, Texts in statistical science, s. 45–57.
Kawalec P., Cartwright’s Approach to Invariance under Intervention, „Zagadnienia Naukoznawstwa,” 2013, t.49, nr 4(198), s. 321–333.
Kawalec P., Uzasadnienie stosowania metodologii mieszanej w kognitywistyce na przykładzie nowego paradygmatu badań w psychiatrii RDoC, [w:] Metodologiczne i teoretyczne podstawy kognitywistyki, red. A. Dąbrowski i J. Woleński, Copernicus Center Press, Kraków 2014, s. 27–46.
Pearl J., An Introduction to Causal Inference, „The International Journal of Biostatistics,” 2010, t.6, nr 2.
Strevens M., Tychomancy: inferring probability from causal structure, Harvard University Press, Cambridge, Massachusetts 2013.
VanderWeele T.J., Explanation in causal inference: methods for mediation and interaction, Oxford University Press, New York 2015.

Pozostała literatura będzie podana na zajęciach.
Kierunek studiów: Kognitywistyka (stacjonarne I stopnia)
Lokalizacja w planach rocznych:
Etap:Rok I - Semestr 2
Punkty ECTS: 3
Forma zaliczenia: Egzamin
Etap:Rok II - Semestr 4
Punkty ECTS: 3
Forma zaliczenia: Egzamin
Kierunek studiów: Kognitywistyka (stacjonarne II stopnia)
Lokalizacja w planach rocznych:
Etap:Rok II - Semestr 4
Punkty ECTS: 3
Forma zaliczenia: Egzamin