Pokaż uproszczony rekord

Data science: najseksowniejszy zawód XXI wieku w Polsce. Big data, sztuczna inteligencja i PowerPoint

dc.contributor.authorŻulicki, Remigiusz
dc.date.accessioned2023-05-30T08:49:13Z
dc.date.available2023-05-30T08:49:13Z
dc.date.issued2022
dc.identifier.citationŻulicki R., Data science: najseksowniejszy zawód XXI wieku w Polsce. Big data, sztuczna inteligencja i PowerPoint, WUŁ, Łódź 2022, https://doi.org/10.18778/8331-110-4pl_PL
dc.identifier.isbn978-83-8331-110-4
dc.identifier.urihttp://hdl.handle.net/11089/47125
dc.description.abstractCzy sztuczna inteligencja pozbawia nas pracy? Algorytmy przejmują władzę nad światem? Czy big data sprawia, że jesteśmy bezustannie inwigilowani, a ogromna ilość danych zastępuje ekspertów i naukowców? Cokolwiek sądzimy na te tematy, jedno jest pewne – istnieje heterogeniczne środowisko ludzi zajmujących się tzw. „sztuczną inteligencją” czy tzw. „big data” od strony technicznej oraz metodologicznej. Pole ich działania nazywane jest data science, a oni – data scientists. Publikacja to pierwsza monografia socjologiczna dotycząca data science i pierwsza praca w naukach społecznych, w której data science zostało zbadane jako społeczny świat w rozumieniu Adele E. Clarke. Podejście to pozwala spojrzeć na data science, nazwane dekadę wstecz w „Harvard Business Review” „najseksowniejszym zawodem XXI wieku”, zarówno z perspektywy jego uczestników, jak i z lotu ptaka, w relacji do akademii, biznesu, prawa, mediów czy polityki.pl_PL
dc.language.isoplpl_PL
dc.publisherWydawnictwo Uniwersytetu Łódzkiegopl_PL
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Międzynarodowe*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectdata sciencepl_PL
dc.subjectbig datapl_PL
dc.subjectsztuczna inteligencjapl_PL
dc.subjectPowerPointpl_PL
dc.subjectbazy danychpl_PL
dc.titleData science: najseksowniejszy zawód XXI wieku w Polsce. Big data, sztuczna inteligencja i PowerPointpl_PL
dc.typeBookpl_PL
dc.page.number348pl_PL
dc.contributor.authorAffiliationUniwersytet Łódzki, Wydział Ekonomiczno-Socjologiczny, Katedra Metod i Technik Badań Społecznychpl_PL
dc.identifier.eisbn978-83-8331-111-1
dc.referencesAbadi Martín, Barham Paul, Chen Jianmin, Chen Zhifeng, Davis Andy, Dean Jeffrey, Devin Matthieu, Ghemawat Sanjay, Irving Geoffrey, Isard Michael, Kudlur Manjunath, Levenberg Josh, Monga Rajat, Moore Sherry, Murray Derek G., Steiner Benoit, Tucker Paul, Vasudevan Vijay, Warden Pete, Wicke Martin, Yu Yuan, Zheng Xiaoqiang, Google Brain (2016), TensorFlow: A system for large-scale machine learning, 12th USENIX Symposium on Operating Systems Design and Implementation, USENIX, Savannah.pl_PL
dc.referencesAbriszewski Krzysztof (2010), Wszystko otwarte na nowo. Teoria Aktora-Sieci i filozofia kultury, Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika, Toruń.pl_PL
dc.referencesActiveState (2018), Python: A Lingua Franca, https://www.activestate.com/wp-content/uploads/2018/10/Python-Lingua-Franca-Whitepaper-2018_1.pdf (dostęp: 2.01.2019).pl_PL
dc.referencesAdams Scott (2012), Dilbert, http://dilbert.com/strip/2012-07-29 (dostęp: 12.10.2016).pl_PL
dc.referencesAfeltowicz Łukasz, Pietrowicz Krzysztof (2008), Koniec socjologii, jaką znamy, czyli o maszynach społecznych i inżynierii socjologicznej, „Studia Socjologiczne”, nr 3(190), s. 43–73.pl_PL
dc.referencesAgarwal Rahul (2019), A Layman guide to moving from Keras to Pytorch, https://mlwhiz.com/blog/2019/01/06/pytorch_keras_conversion/ (dostęp: 2.05.2019).pl_PL
dc.referencesAI Now Institute (2018), The AI Now Institute, https://ainowinstitute.org/ (dostęp: 14.06.2018).pl_PL
dc.referencesAlekseichenko Vladimir (2018), Sztuczna inteligencja, cyberbezpieczeństwa i hackerzy, http://biznesmysli.pl/sztuczna-inteligencja-cyberbezpieczenstwa-i-hackerzy/ (dostęp: 20.06.2018).pl_PL
dc.referencesAlekseichenko Vladimir (2019a), 10 mitów o sztucznej inteligencji, http://biznesmysli.pl/10-mitow-o-sztucznej-inteligencji/ (dostęp: 29.04.2019).pl_PL
dc.referencesAlekseichenko Vladimir (2019b), Drony zmieniają branże ubezpieczeń, budowlaną i inne, https://biznesmysli.pl/drony-zmieniaja-branze-ubezpieczen-budowlana-i-inne/ (dostęp: 11.01.2019).pl_PL
dc.referencesAlekseichenko Vladimir, Borowiecki Łukasz, Chojecki Przemysław, Czapska Martyna, Kowalczyk Witold, Mieczkowski Piotr, Pietrzak Piotr, Siudak Robert, Sztokfisz Barbara, Rachwalski Hubert (2018), Przegląd strategii rozwoju sztucznej inteligencji na świecie, Fundacja Digital Poland, Warszawa, https:// www.digitalpoland.org/assets/publications/przegląd-strategii-rozwojusztucznej- inteligencji-na-swiecie/przeglad-strategii-rozwoju-ai-digitalpolandreport. pdf (dostęp: 11.01.2019).pl_PL
dc.referencesAllaire J.J. (2012), RStudio: Integrated Development Environment for R, [w:] The R User Conference, useR! 2011, University of Warwick, Warwick, s. 14, https:// www.r-project.org/conferences/useR-2011/abstracts/180111-allairejj.pdf (dostęp: 11.01.2019).pl_PL
dc.referencesAllaire J.J., Ushey Kevin, Tang Yuan (2018), reticulate: Interface to “Python”, https://cran.r-project.org/package=reticulate (dostęp: 11.01.2019).pl_PL
dc.referencesAllaire J.J., Xie Yihui, McPherson Jonathan, Luraschi Javier, Ushey Kevin, Atkins Aron, Wickham Hadley, Cheng Joe, Chang Winston, Iannone Richard (2019), rmarkdown: Dynamic Documents for R, https://rmarkdown.rstudio.com (dostęp: 11.01.2019).pl_PL
dc.referencesAmatriain Xavier, Basilico Justin (2012), Netflix Recommendations: Beyond the 5 stars (Part 1), https://medium.com/netflix-techblog/netflix-recommendations-beyond-the-5-stars-part-1-55838468f429 (dostęp: 9.07.2019).pl_PL
dc.referencesAmeisen Emmanuel (2018), How to deliver on Machine Learning projects: A guide to the ML Engineering Loop, https://blog.insightdatascience.com/how-to-deliver-on-machine-learning-projects-c8d82ce642b0 (dostęp: 25.10.2018).pl_PL
dc.referencesAnaconda (2018a), Anaconda Distribution, https://www.anaconda.com/distribution/ (dostęp: 3.12.2018).pl_PL
dc.referencesAnaconda (2018b), Travis Oliphant, https://www.anaconda.com/people/travis-oliphant (dostęp: 3.12.2018).pl_PL
dc.referencesAnaconda (2019a), Anaconda Distribution Starter Guide, https://docs.anaconda.com/_downloads/9ee215ff15fde24bf01791d719084950/Anaconda-Starter-Guide.pdf (dostęp: 4.12.2018).pl_PL
dc.referencesAnaconda (2019b), The end-to-end data science platform, https://www.anaconda.com/enterprise/ (dostęp: 22.07.2019).pl_PL
dc.referencesAnaconda (b.d.), NumFOCUS – Anaconda, https://www.anaconda.com/numfocus/ (dostęp: 3.12.2018).pl_PL
dc.referencesAnderson Chris (2008), The End of Theory: The Data Deluge Makes the Scientific Method Obsolete, https://www.wired.com/2008/06/pb-theory/ (dostęp: 14.11.2017).pl_PL
dc.referencesAnderson Ken, Nafus Dawn, Rattenbury Tye, Aipperspach Ryan (2009), Numbers Have Qualities Too: Experiences with Ethno-Mining, „Ethnographic Praxis in Industry Conference Proceedings”, no. 1, s. 123–140, https://doi.org/10.1111/j.1559-8918.2009.tb00133.xpl_PL
dc.referencesAndrus Calvin, Cook Jon, Sood Suresh (2017), Data Science: An Introduction, https://en.wikibooks.org/wiki/Data_Science:_An_Introduction (dostęp: 21.03.2018).pl_PL
dc.referencesAngrosino Michael (2010), Badania etnograficzne i obserwacje, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesAngwin Julia, Larson Jeff, Mattu Surya, Kirchner Lauren (2016), Machine Bias: There’s software used across the country to predict future criminals. And it’s biased against blacks, https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing (dostęp: 30.04.2018).pl_PL
dc.referencesArakelyan Sophia (2017), Tech giants are using open source frameworks to dominate the AI community, https://venturebeat.com/2017/11/29/tech-giants-are-using-open-source-frameworks-to-dominate-the-ai-community/ (dostęp: 17.07.2019).pl_PL
dc.referencesArena Michael J., Pentland Alex, Price David (2010), Honest Signals – Hard Measures for Social Behavior, „Organization Development Journal”, vol. 28(3), s. 11–20.pl_PL
dc.referencesAriely Dan (2013), @danariely: Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone..., https://twitter.com/danariely/status/287952257926971392 (dostęp: 14.02.2018).pl_PL
dc.referencesAshcraft Mark H. (2002), Math Anxiety: Personal, Educational, and Cognitive Consequences, „Current Directions in Psychological Science”, vol. 11(5), s. 181–185, https://doi.org/10.1111/1467-8721.00196pl_PL
dc.referencesAssociated Press (2015), Big Brother is watching: how China is compiling computer ratings on all its citizens, https://www.scmp.com/news/china/policies-politics/article/1882533/big-brother-watching-how-china-compiling-computer (dostęp: 21.01.2019).pl_PL
dc.referencesAvram Abel (2013), Docker: Automated and Consistent Software Deployments, https://www.infoq.com/news/2013/03/Docker/ (dostęp: 23.01.2019).pl_PL
dc.referencesAwad Edmond, Dsouza Sohan, Kim Richard, Schulz Jonathan, Henrich Joseph, Shariff Azim, Bonnefon Jean-François, Rahwan Iyad (2018), The Moral Machine experiment, „Nature”, vol. 563(7729), https://doi.org/10.1038/s41586-018-0637-6pl_PL
dc.referencesAwad Edmond, Levine Sydney, Kleiman-Weiner Max, Dsouza Sohan, Tenenbaum Joshua B., Shariff Azim, Bonnefon Jean-François, Rahwan Iyad (2020), Drivers are blamed more than their automated cars when both make mistakes, „Nature Human Behaviour”, vol. 4(2), s. 134–143, https://doi.org/10.1038/s41562-019-0762-8pl_PL
dc.referencesAzam Anum (2014), The First Rule of Data Science, „Berkeley Science Review”, http://berkeleysciencereview.com/article/first-rule-data-science/ (dostęp: 26.01.2018).pl_PL
dc.referencesAzevedo Ana, Santos Manuel Filipe (2008), KDD, SEMMA and CRISP-DM: a parallel overview, „IADIS European Conference Data Mining”, January, s. 182–185.pl_PL
dc.referencesBaath Rasmus (2012), The State of Naming Conventions in R, „The R Journal”, vol. 4(2), s. 74–75.pl_PL
dc.referencesBabbie Earl (2006), Badania społeczne w praktyce, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesBaitu N.T. (2014), What is a data scientist? 14 definitions of a data scientist!, https://hub.biz/blog/what-is-data-scientist-14-definitions-data-scientist-8155414827284578184 (dostęp: 11.02.2018).pl_PL
dc.referencesBarabási Albert-László (2002), Linked: The New Science of Networks, Perseus Publishing, Cambridge.pl_PL
dc.referencesBarlow Mike (2013), The Culture of Big Data, O’Reilly, Tokio.pl_PL
dc.referencesBarnet David (2017), The robots are coming – but will they really take all our jobs?, http://www.independent.co.uk/news/science/robots-are-coming-but-will-they-take-our-jobs-uk-artificial-intelligence-doctor-who-a8080501.html (dostęp: 14.02.2018).pl_PL
dc.referencesBarry Dwight (2016), Business Intelligence with R. From Acquiring Data to Pattern Exploration, https://leanpub.com/businessintelligencewithr (dostęp: 17.02.2018).pl_PL
dc.referencesBatorski Dominik (2004), Sieci społeczne: Charakterystyka, uwarunkowania i konsekwencje struktur relacji społecznych na przykładzie komunikacji internetowej, Uniwersytet Warszawski, Warszawa.pl_PL
dc.referencesBatorski Dominik (2018), Facebook. Wąż, który pożera własny ogon, „Magazyn Opinii Pismo”, 5 czerwca.pl_PL
dc.referencesBauman Zygmunt, Lyon David (2013), Płynna inwigilacja. Rozmowy, Wydawnictwo Literackie, Kraków.pl_PL
dc.referencesBecker Howard (1974), Art as Collective Action, „American Sociological Review”, vol. 39(6), s. 767–776.pl_PL
dc.referencesBecker Howard (1986), Doing Things Together, Northwestern University Press, Evanston.pl_PL
dc.referencesBeede David N., Julian Tiffany A., Langdon David, McKittrick George, Khan Beethika, Doms Mark E. (2011), Women in STEM: A Gender Gap to Innovation, „SSRN Electronic Journal”, https://doi.org/10.2139/ssrn.1964782pl_PL
dc.referencesBerman Jules J. (2013), Principles of Big Data: Preparing, Sharing, and Analyzing Complex Information, Elsevier, Waltham.pl_PL
dc.referencesBhatt Niraj (2013), NoSQL, Big Data, and MapReduce, https://nirajrules.wordpress. com/2013/05/ (dostęp: 13.02.2018).pl_PL
dc.referencesBiałko Michał (2005), Sztuczna inteligencja i elementy hybrydowych systemów ekspertowych, Wydawnictwo Uczelniane Politechniki Koszalińskiej, Koszalin.pl_PL
dc.referencesBiecek Przemysław (2015a), Pogromcy Danych. Przetwarzanie danych w programie R, http://pogromcydanych.icm.edu.pl/ (dostęp: 28.12.2016).pl_PL
dc.referencesBiecek Przemysław (2015b), Pogromcy Danych. Wizualizacja oraz modelowanie danych, Interdyscyplinarne Centrum Modelowania Matematycznego i Komputerowego Uniwersytetu Warszawskiego, Warszawa.pl_PL
dc.referencesBiecek Przemysław (2015c), PogromcyDanych: PogromcyDanych/DataCrunchers is the Masive Online Open Course that Brings R and Statistics to the People, https:// search.r-project.org/CRAN/refmans/PogromcyDanych/html/00Index.html (dostęp: 5.03.2018).pl_PL
dc.referencesBiecek Przemysław (2016), Odkrywać! Ujawniać! Objaśniać! Zbiór esejów o sztuce przedstawiania danych, Fundacja Naukowa SmarterPoland.pl, Warszawa.pl_PL
dc.referencesBiecek Przemysław (2017), Przewodnik po pakiecie R, Oficyna Wydawnicza GiS, Wrocław.pl_PL
dc.referencesBiecek Przemysław (2018a), Ceteris Paribus Plots – a new DALEX companion, http://smarterpoland.pl/index.php/2018/06/ceteris-paribus-plots-a-new-dalex-companion/ (dostęp: 2.06.2018).pl_PL
dc.referencesBiecek Przemysław (2018b), CV – Przemysław Biecek, http://biecek.pl/CV/ (dostęp: 11.08.2018).pl_PL
dc.referencesBiecek Przemysław (2018c), DALEX: Explainers for Complex Predictive Models in R, „Journal of Machine Learning Research”, vol. 19(84), s. 1–5.pl_PL
dc.referencesBiecek Przemysław (2018d), Który z nich zostanie najgorszym wykresem 2018?, http://smarterpoland.pl/index.php/2018/12/najgorszy-wykres-2018/ (dostęp: 3.04.2019).pl_PL
dc.referencesBiecek Przemysław (2018e), RODO + DALEX, kilka słów o moim referacie na DSS, http://smarterpoland.pl/index.php/2018/05/rodo-dalex-kilka-slow-o-moim-referacie-na-dss/ (dostęp: 2.06.2018).pl_PL
dc.referencesBiecek Przemysław (2019a), MDP: Model Development Process v. 0.1, https://github.com/ModelOriented/DrWhy/blob/master/images/ModelDevelopment- Process.pdf (dostęp: 3.07.2019).pl_PL
dc.referencesBiecek Przemysław (2019b), XAI or DIE, https://www.slideshare.net/PrzemekBiecek/xai-or-die-at-data-science-summit-2019-149824427 (dostęp: 19.05.2020).pl_PL
dc.referencesBiecek Przemysław (2020), XAI Stories, https://pbiecek.github.io/xai_stories/ (dostęp: 5.08.2020).pl_PL
dc.referencesBiecek Przemysław, Kosiński Marcin (2017), archivist: An R Package for Managing, Recording and Restoring Data Analysis Results, „Journal of Statistical Software”, vol. 82(11), https://doi.org/10.18637/jss.v082.i11pl_PL
dc.referencesBig Data Borat (2013), @BigDataBorat: Data science is statistics on Mac, https://twitter.com/bigdataborat/status/372350993255518208 (dostęp: 19.02.2018).pl_PL
dc.referencesBirhane Abeba (2020), Algorithmic Colonization of Africa, „SCRIPT-ed”, vol. 17(2), s. 389–409, https://doi.org/10.2966/scrip.170220.389pl_PL
dc.referencesBivand Roger, Lewin-Koh Nicholas (2019), maptools: Tools for Handling Spatial Objects, https://cran.r-project.org/package=maptools (dostęp: 19.05.2020).pl_PL
dc.referencesBivand Roger, Rundel Colin (2019), rgeos: Interface to Geometry Engine – Open Source (‘GEOS’), https://cran.r-project.org/package=rgeos (dostęp: 19.05.2020).pl_PL
dc.referencesBlei David M., Ng Andrew, Jordan Michael I. (2003), Latent dirichlet allocation, „Journal of Machine Learning Research”, no. 3, s. 993–1022, https://dl.acm.org/doi/10.5555/944919.944937pl_PL
dc.referencesBlumenkrantz Deena (2018), Slack Workspaces for Data Science, https://medium.com/deena-does-data-science/all-the-slack-workspaces-for-data-science-323380abf8ba (dostęp: 5.09.2019).pl_PL
dc.referencesBłaszczak Anita (2016), Specjaliści big data będą wkrótce na wagę złota, „Rzeczpospolita”, 6 września.pl_PL
dc.referencesBobriakov Igor (2017), Top 15 Python Libraries for Data Science in 2017, https:// medium.com/activewizards-machine-learning-company/top-15-python-libraries-for-data-science-in-in-2017-ab61b4f9b4a7 (dostęp: 3.02.2018).pl_PL
dc.referencesBomba Radosław (2015), „Simowie” na wspak. Gra „This War of Mine” w perspektywie retoryki proceduralnej, „Wielogłos”, nr 3(25), s. 87–95.pl_PL
dc.referencesBomba Radosław (2017), Bazodanowe interfejsy. Projektowanie interakcji z dużymi zasobami danych kulturowych, „Kultura Popularna”, nr 4(50), s. 64–73, https://www.ceeol.com/content-files/document-598587.pdf (dostęp: 5.09.2019).pl_PL
dc.referencesBornakke Tobias, Due Brian L. (2018), Big-Thick Blending: A method for mixing analytical insights from big and thick data sources, „Big Data & Society”, vol. 5(1), s. 1–16, https://doi.org/10.1177/2053951718765026pl_PL
dc.referencesBorowiecki Łukasz, Mieczkowski Piotr (2019), Map of the Polish AI, Fundacja Digital Poland, Warszawa, https://www.digitalpoland.org/assets/publications/mapa-polskiego-ai/map-of-the-polish-ai-2019-edition-i-report.pdf (dostęp: 22.04.2019).pl_PL
dc.referencesBorowik Magdalena, Maśniak Leszek, Kroplewski Robert, Romaniec Hubert (2018), Gospodarka oparta o dane – Przemysł+, Ministerstwo Cyfryzacji Rzeczypospolitej Polskiej, Warszawa, https://www.gov.pl/cyfryzacja/gospodarka-oparta-o-dane-przemysl- (dostęp: 2.01.2019).pl_PL
dc.referencesBotsman Rachel (2017), Big data meets Big Brother as China moves to rate its citizens, http://www.wired.co.uk/article/chinese-government-social-credit-score-privacy-invasion (dostęp: 18.06.2018).pl_PL
dc.referencesBowker Geoffrey C., Latour Bruno (1987), A Booming Discipline Short of Discipline: (Social) Studies of Science in France, „Social Studies of Science”, no. 17, s. 715–748.pl_PL
dc.referencesBoyd Danah (b.d.), what’s in a name? – danah michele boyd, http://www.danah.org/name.html (dostęp: 11.08.2018).pl_PL
dc.referencesBoyd Danah, Crawford Kate (2011), Six Provocations for Big Data, „SSRN Electronic Journal”, https://doi.org/10.2139/ssrn.1926431pl_PL
dc.referencesBoyd Danah, Crawford Kate (2012) Critical questions for big data, „Information, Communication & Society”, vol. 15(5), s. 662–679, https://doi.org/10.1080/1369118X.2012.678878pl_PL
dc.referencesBrackenbury Will, Liu Rui, Mondal Mainack, Elmore Aaron J., Ur Blase, Chard Kyle, Franklin Michael J. (2018), Draining the Data Swamp, [w:] Proceedings of the Workshop on Human-In-the-Loop Data Analytics – HILDA’18. New York, ACM Press, New York, s. 1–7.pl_PL
dc.referencesBreda Thomas, Napp Clotilde (2019), Girls’ comparative advantage in reading can largely explain the gender gap in math-related fields, „Proceedings of the National Academy of Sciences”, vol. 116(31), s. 15435–15440, https://doi.org/10.1073/pnas.1905779116pl_PL
dc.referencesBreiman Leo (2001), Statistical Modeling: The Two Cultures, „Statistical Science”, vol. 16(3), s. 199–231, https://www.jstor.org/stable/2676681 (dostęp: 18.06.2018).pl_PL
dc.referencesBrodieG (2018), data.table vs dplyr: can one do something well the other can’t or does poorly?, https://stackoverflow.com/questions/21435339/data-table-vs-dplyr-can-one-do-something-well-the-other-cant-or-does-poorly/27840349#27840349 (dostęp: 5.12.2018).pl_PL
dc.referencesBroek Elmira van den (2019), Hiring Algorithms : An Ethnography of Fairness in Practice, Fortieth International Conference on Information Systems, Munich.pl_PL
dc.referencesBrooks Hannah (2014), Interviews with Data Scientists, „Data Science Weekly”, no. 1 (April).pl_PL
dc.referencesBrosz Maciej, Bryda Grzegorz, Siuda Piotr (2017), Od redaktorów: Big Data i CAQDAS a procedury badawcze w polu socjologii jakościowej, „Przegląd Socjologii Jakościowej”, t. XIII, nr 2, s. 6–23.pl_PL
dc.referencesBryan Jennifer (2018), Excuse Me, Do You Have a Moment to Talk About Version Control?, „The American Statistician”, vol. 72(1), s. 20–27, https://doi.org/10.1080/00031305.2017.1399928pl_PL
dc.referencesBryan Jennifer, Wickham Hadley (2017), Data Science: A Three Ring Circus or a Big Tent?, „Journal of Computational and Graphical Statistics”, vol. 26(4), s. 784–785.pl_PL
dc.referencesBryan Jennifer, Hester Jim, Robinson David, Wickham Hadley (2019), reprex: Prepare Reproducible Example Code via the Clipboard, https://cran.r-project.org/package=reprex (dostęp: 18.06.2018).pl_PL
dc.referencesBryan Jenny (2018), Happy Git and GitHub for the useR, http://happygitwithr.com/ (dostęp: 6.02.2018).pl_PL
dc.referencesBrynjolfsson Erik, McAfee Andrew (2015), Wyścig z maszynami. Jak rewolucja cyfrowa napędza innowacje, zwiększa wydajność i w nieodwracalny sposób zmienia rynek pracy, Kurhaus Publishing, Warszawa.pl_PL
dc.referencesBrzezińska Ana, Przegalińska Aleksandra (2015), Oko w oko z androidem. BINA48: Jestem jak gąbka. Pochłaniam każdą wiedzę, z którą się stykam, http://weekend. gazeta.pl/weekend/1,152121,18816606,oko-w-oko-z-androidem-bina48-jestem-jak-gabka-pochlaniam.html?order=najstarsze&v=1&obxx=18816606#opinions (dostęp: 1.08.2018).pl_PL
dc.referencesBrzeziński Tomasz (2018), Lenistwo matką wynalazków, czyli dlaczego nie gram w Kaggle. Wystąpienie na konferencji Data Workshop Club Conf, https://www.youtube.com/watch?v=Y5i05jBhQE8&feature= (dostęp: 14.09.2019).pl_PL
dc.referencesBugalski Piotr (2019), Kurs Raspberry Pi – #8 – praca w konsoli, podstawy Linuksa, https://forbot.pl/blog/kurs-raspberry-pi-praca-w-konsoli-podstawy-linuksa-id23911 (dostęp: 21.10.2019).pl_PL
dc.referencesBugnion Pascal (2016), Scala for Data Science, Packt Publishing, Birmingham– Mumbai.pl_PL
dc.referencesBuolamwini Joy, Gebru Timnit (2018), Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification, [w:] S.A. Friedler, C. Wilson (red.), Proceedings of the 1st Conference on Fairness, Accountability and Transparency, vol. 81, PMLR, s. 77–91.pl_PL
dc.referencesBurda Katarzyna (2018), Uczłowieczanie komputera, „Newsweek Polska”, 3 kwietnia, s. 64–67.pl_PL
dc.referencesBurrell Jenna (2016), How the machine ‘thinks’: Understanding opacity in machine learning algorithms, „Big Data & Society”, vol. 3(1), https://doi.org/10.1177/2053951715622512pl_PL
dc.referencesBurtch Linda (2014), Tell Your Kids to Be Data Scientists, Not Doctors, https://www.wired.com/insights/2014/06/tell-kids-data-scientists-doctors/ (dostęp: 14.02.2018).pl_PL
dc.referencesBurtch Linda (2018), The Burtch Works Study. Salaries of Data Scientists, Burth Works Recruiting, Evanston, https://www.burtchworks.com/wp-content/uploads/2018/05/Burtch-Works-Study_DS-2018.pdf (dostęp: 3.02.2019).pl_PL
dc.referencesCadwalladr Carole (2018), ‘I made Steve Bannon’s psychological warfare tool’: meet the data war whistleblower, „The Guardian”, 18 marca, https://www.theguardian. com/news/2018/mar/17/data-war-whistleblower-christopher-wylie-faceooknix-bannon-trump (dostęp: 5.10.2018).pl_PL
dc.referencesCadwalladr Carole, Graham-Harrison Emma (2018), Facebook and Cambridge Analytica face mounting pressure over data scandal, „The Guardian”, 19 marca, https://www.theguardian.com/news/2018/mar/18/cambridge-analytica-and-facebook-accused-of-misleading-mps-over-data-breach (dostęp: 22.03.2018).pl_PL
dc.referencesCampbell Heidi A., Pastina Antonio C. (2010), How the IPhone became divine: New media, religion and the intertextual circulation of meaning, „New Media and Society”, vol. 12(7), s. 1191–1207, https://doi.org/10.1177/1461444810362204pl_PL
dc.referencesCanton James (2016), From Big Data to Artificial Intelligence: The Next Digital Disruption, https://www.huffingtonpost.com/james-canton/from-big-data-to-artifici_b_10817892.html (dostęp: 12.02.2018).pl_PL
dc.referencesCao Longbing (2017a), Data Science: A Comperhensive Overview, „ACM Computing Surveys”, vol. 50(3), s. 1–42, https://doi.org/10.1145/3076253pl_PL
dc.referencesCao Longbing (2017b), Data science: challenges and directions, „Communications of the ACM”, vol. 60(8), s. 59–68, https://dl.acm.org/doi/fullHtml/10.1145/3015456pl_PL
dc.referencesCarneiro Tiago, Medeiros Da Nobrega Raul Victor, Nepomuceno Thiago, Bian Gui-Bin, De Albuquerque Victor Hugo C., Pedrosa Reboucas Filho Pedro (2018), Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications, „IEEE Access”, no. 6, s. 61677–61685, https://doi.org/10.1109/ACCESS.2018.2874767pl_PL
dc.referencesCaro Daniel H., Biecek Przemysław (2017), intsvy: An R Package for Analyzing International Large-Scale Assessment Data, „Journal of Statistical Software”, vol. 81(7), s. 1–44, https://doi.org/10.18637/jss.v081.i07pl_PL
dc.referencesCasas Pablo (2018), Data Science Live Book: An intuitive and practical approach to data analysis, data preparation and machine learning, suitable for all ages!, https://livebook.datascienceheroes.com/ (dostęp: 22.03.2018).pl_PL
dc.referencesCass Stephen (2016), Linux at 25 Q&A with Linus Torvalds, https://spectrum.ieee.org/computing/software/linux-at-25-qa-with-linus-torvalds (dostęp: 24.10.2019).pl_PL
dc.referencesCentre for the New Economy and Society (2018), The Future of Jobs Report 2018 Insight Report Centre for the New Economy and Society, Geneva.pl_PL
dc.referencesCerf Vint (2007), An Information Avalanche, „IEEE Computer”, vol. 40, no. 1, s. 104–105.pl_PL
dc.referencesCeri Stefano (2018), On the role of statistics in the era of big data: A computer science perspective, „Statistics & Probability Letters”, no. 136, s. 68–72, https://doi.org/10.1016/j.spl.2018.02.019pl_PL
dc.referencesChallengeRocket.com (2018), Warsaw AI Hackathon at Google Campus Warsaw, https://challengerocket.com/warsaw-artificial-intelligence-hackathon-google-campus-warsaw (dostęp: 25.04.2018).pl_PL
dc.referencesChang Emily (2018), Brotopia: Breaking up the Boys’ Club of Silicon Valley, Portfolio/Penguin, New York.pl_PL
dc.referencesChang Fay, Dean Jeffrey, Ghemawat Sanjay, Hsieh Wilson C., Wallach Deborah A., Burrows Mike, Chandra Tushar, Fikes Andrew, Gruber Robert E. (2006), Bigtable: A Distributed Storage System for Structured Data, [w:] 7th {USENIX} Symposium on Operating Systems Design and Implementation (OSDI), s. 205–218, https://research.google/pubs/pub27898/ (dostęp: 22.03.2018).pl_PL
dc.referencesChang Ray M., Kauffman Robert J., Kwon YoungOk (2014), Understanding the paradigm shift to computational social science in the presence of big data, „Decision Support Systems”, no. 63, s. 67–80, https://doi.org/10.1016/J.DSS.2013.08.008pl_PL
dc.referencesChang Robert (2015), Doing Data Science at Twitter. A reflection of my two year Journey so far. Sample size N = 1, https://medium.com/@rchang/my-two-year-journey-as-a-data-scientist-at-twitter-f0c13298aee6 (dostęp: 29.08.2018).pl_PL
dc.referencesChang Winston, Luraschi Javier, Mastny Timothy (2019), profvis: Interactive Visualizations for Profiling R Code, https://cran.r-project.org/package=profvis (dostęp: 22.03.2018).pl_PL
dc.referencesCharmaz Kathy (2009), Teoria ugruntowana. Praktyczny przewodnik po analizie jakościowej, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesCharmaz Kathy, Clarke Adele E. (red.) (2013), Grounded Theory and Situational Analysis, Sage, London.pl_PL
dc.referencesChemaly Soraya, Buni Catherine (2016), The secret rules of the internet, https:// www.theverge.com/2016/4/13/11387934/internet-moderator-history-youtube-facebook-reddit-censorship-free-speech (dostęp: 5.01.2019).pl_PL
dc.referencesChen Catherine, Jiang Haoqiang (2018), Important Skills for Data Scientists in China: Two Delphi Studies, „Journal of Computer Information Systems”, vol. 60(3), s. 287–296, https://doi.org/10.1080/08874417.2018.1472047pl_PL
dc.referencesChen Hao (2010), Comparative Study of C, C++, C# and Java Programming Languages, Vaasa University of Applied Sciences, Vassa.pl_PL
dc.referencesChen Hsinchun, Chiang Roger H.L., Storey Veda C. (2012), Business Intelligence and Analytics: From Big Data to Big Impact, „Management Information Systems Quarterly”, vol. 36(4), s. 1165–1188, http://aisel.aisnet.org/misq/vol36/iss4/16 (dostęp: 22.03.2018).pl_PL
dc.referencesChen Min, Mao Shiwen, Liu Yunhao (2014), Big Data: A Survey, „Mobile Networks and Applications”, vol. 19(2), s. 171–209, https://doi.org/10.1007/s11036-013-0489-0pl_PL
dc.referencesChojnowski Maciej (2020), Biecek: SI? Musimy coś sobie wyjaśnić, https://www.sztucznainteligencja.org.pl/biecek-si-musimy-cos-sobie-wyjasnic/ (dostęp: 26.04.2020).pl_PL
dc.referencesChoudhury Tanzeem, Pentl Alex, Pentland Alex (2002), The Sociometer: A Wearable Device for Understanding Human Networks, https://dam-prod.media.mit.edu/x/files/tech-reports/TR-554.pdf (dostęp: 22.03.2018).pl_PL
dc.referencesChouldechova Alexandra (2017), Fair Prediction with Disparate Impact: A Study of Bias in Recidivism Prediction Instruments, „Big Data”, vol. 5(2), s. 153–163, https://doi.org/10.1089/big.2016.0047pl_PL
dc.referencesCiechanowski Leon, Przegalińska Aleksandra, Magnuski Mikołaj, Gloor Peter (2018), In the shades of the uncanny valley: An experimental study of human– chatbot interaction, „Future Generation Computer Systems”, vol. 92, s. 539–548, https://doi.org/10.1016/J.FUTURE.2018.01.055pl_PL
dc.referencesClark Liat (2012), Google’s Artificial Brain Learns to Find Cat Videos, https://www. wired.com/2012/06/google-x-neural-network/ (dostęp: 21.01.2018).pl_PL
dc.referencesClark Stuart (2014), Artificial intelligence could spell end of human race – Stephen Hawking, „The Guardian”, 2 grudnia https://www.theguardian.com/ science/2014/dec/02/stephen-hawking-intel-communication-system-astrophysicist-software-predictive-text-type (dostęp: 14.02.2018).pl_PL
dc.referencesClarke Adele E. (1991), Social Words / Arenas Theory as Organizational Theory, [w:] D.R. Maines (red.), Social Organization and Social Process. Essays in Honor of Anselm Strauss, Aldine de Gruyter, New York, s. 119–158.pl_PL
dc.referencesClarke Adele E. (2003), Situational Analyses: Grounded Theory Mapping After the Postmodern Turn, „Symbolic Interaction”, vol. 26(4), s. 553–576.pl_PL
dc.referencesClarke Adele E. (2005), Situational Analysis. Grounded Theory After the Postmodern Turn, Sage, London.pl_PL
dc.referencesClarke Adele E. (2015), From Grounded Theory to Situational Analysis. What’s New? Why? How?, [w:] A.E. Clarke, C. Friese, R.S. Washburn (red.), Situational Analysis in Practice. Mapping Research with Grounded Theory, Left Coast Press Inc., Walnut Creek, s. 84–118.pl_PL
dc.referencesClarke Adele E., Casper Monica J. (1996), From Simple Technology to Complex Arena: Classification of Pap Smears, 1917–90, „Medical Anthropology Quarterly”, vol. 10(4), s. 601–623, https://doi.org/10.1525/maq.1996.10.4.02a00120pl_PL
dc.referencesClarke Adele E., Friese Carrie (2007), Situational Analysis: Going Beyond Traditional Grounded Theory, [w:] K. Charmaz, A. Bryant (red.), Handbook of Grounded Theory, Sage, London, s. 694–743.pl_PL
dc.referencesClarke Adele E., Star Susan Leigh (2008), The Social Worlds Framework: A Theory/ Method Package, [w:] Edward J. Hackett, O. Amsterdamska, M. Lynch, J. Wajcman (red.), The Handbook of Science and Technology Studies, The MIT Press, Cambridge–London, s. 113–158.pl_PL
dc.referencesClarke Adele E., Friese Carrie, Washburn Rachel S. (2015), Introducing Situational Analysis, [w:] A.E. Clarke, C. Friese, R.S. Washburn (red.), Situational Analysis in Practice. Mapping Research with Grounded Theory, Left Coast Press Inc., Walnut Creek, s. 11–75.pl_PL
dc.referencesClarke Adele E., Friese Carrie, Washburn Rachel S. (2017), Situational Analysis: Grounded Theory After the Interpretive Turn, Sage, Los Angeles.pl_PL
dc.referencesClarke Peter (2012), Google neural network teaches itself to identify cats, https://www.eetimes.com/document.asp?doc_id=1266579 (dostęp: 21.01.2018).pl_PL
dc.referencesClass Central (2018), Data Science Courses, https://www.class-central.com/subject/data-science (dostęp: 21.02.2018).pl_PL
dc.referencesCleveland William S. (2001), Data Science: an Action Plan for Expanding the Technical Areas of the Field of Statistics, „International Statistical Review”, vol. 69(1), s. 21–26, https://doi.org/10.1111/j.1751-5823.2001.tb00477.xpl_PL
dc.referencesCodd Edgar F. (1970), A relational model of data for large shared data banks, „Communications of the ACM”, vol. 13(6), s. 377–387, https://doi.org/10.1145/362384.362685pl_PL
dc.referencesCollobert Ronan, Farabet Clement, Kavukcuoglu Koray, Chintala Soumith (2019), What is Torch?, http://torch.ch/ (dostęp: 15.07.2019).pl_PL
dc.referencesConway Drew (2010), The Data Science Venn Diagram, http://www.dataists.com/2010/09/the-data-science-venn-diagram/ (dostęp: 18.02.2018).pl_PL
dc.referencesConway Drew (2014), Data science through the lens of social science, „Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining – KDD ’14”, https://doi.org/10.1145/2623330.2630824pl_PL
dc.referencesCook Gary, Lee Jude, Kong Ada, Deans John, Johnson Brian, Jardim Elizabeth (2017), Clicking Clean: Who Is Winning the Race To Build a Green Internet?, Greenpeace Inc., https://storage.googleapis.com/planet4-internationalstateless/2017/01/35f0ac1a-clickclean2016-hires.pdf (dostęp: 15.07.2019).pl_PL
dc.referencesCourtland Rachel (2018), Bias detectives: the researchers striving to make algorithms fair, „Nature”, vol. 558(7710), s. 357–360, https://doi.org/10.1038/d41586-018-05469-3pl_PL
dc.referencesCrain Matthew (2018), The limits of transparency: Data brokers and commodification, „New Media and Society”, vol. 20(1), https://doi.org/10.1177/1461444816657096pl_PL
dc.referencesCrawford Kate (2021), Atlas of AI: power, politics, and the planetary costs of artificial intelligence, Yale University Press, New Haven.pl_PL
dc.referencesCrawford Kate, West Sarah Myers, Whittaker Meredith (2019), Discriminating Systems: Gender, Race and Power in AI, AI Now Institute, New York, https://ainowinstitute.org/discriminatingsystems.pdf (dostęp: 15.07.2019).pl_PL
dc.referencesCrawford Kate, Whittaker Meredith, Dobbe Roel, Fried Genevieve, Kaziunas Elizabeth, Mathur Varoon, West Sarah M., Richardson Rashida, Schultz Jason, Schwartz Oscar (2018), AI Now Report 2018, AI Now Institute, New York, https://ainowinstitute.org/AI_Now_2018_Report.pdf (dostęp: 15.07.2019).pl_PL
dc.referencesCreemers Rogier (2015), Planning Outline for the Construction of a Social Credit System (2014–2020), https://chinacopyrightandmedia.wordpress.com/2014/06/14/planning-outline-for-the-construction-of-a-social-credit-system-2014-2020/ (dostęp: 21.01.2019).pl_PL
dc.referencesCrowdFlower (2017), 2017 Data Scientist Report, https://visit.crowdflower.com/ rs/416-ZBE-142/images/data-scientist-report-dec.pdf?mkt_tok=eyJpIjoiWXpNek5EQmtNalJsTkdWayIsInQiOiJPb29MV2JJdU81alRhbGh6OUVWcmt2UWpibXJ3cG5pSlFrNUxlVUdwT2hna1VOOU5Gd2tMU3ZEWmhoTVVmVHRXNWFhMFM4eTI1dDJwbWRJczVoTVlnRjFkQjl4ekNmT (dostęp: 11.02.2018).pl_PL
dc.referencesCS Department Toronto University (b.d.), Geoffrey E. Hinton – Home Page, http://www.cs.toronto.edu/~hinton/ (dostęp: 29.03.2018).pl_PL
dc.referencesCukier Kenneth, Mayer-Schönberger Victor (2014), Big Data. Rewolucja, która zmieni nasze myślenie, pracę i życie, Wydawnictwo MT Biznes, Warszawa.pl_PL
dc.referencesCulkin John M. (1967), A Shoolman’s Guide to Marshall McLuhan, „The Saturday Review”, 18 marca, s. 51–53, 70–72.pl_PL
dc.referencesCyfryzacja KPRM (b.d.), Robert Kroplewski, https://www.gov.pl/web/cyfryzacja/robert-kroplewski1 (dostęp: 6.08.2020).pl_PL
dc.referencesCzapska Martyna (2018), RODO a sztuczna inteligencja, http://lexrobotica.pl/2018/05/25/rodo-a-sztuczna-inteligencja/ (dostęp: 10.09.2018).pl_PL
dc.referencesCzarnocka-Cieciura Marta, Migdał Piotr (2015), TagOverflow, https://github.com/stared/tagoverflow (dostęp: 9.12.2018).pl_PL
dc.referencesCzarnowski Ireneusz, Krawiec Krzysztof, Mańdziuk Jacek, Stefanowski Jerzy (2018), Raport z pierwszego Zjazdu Polskiego Porozumienia na Rzecz Rozwoju Sztucznej Inteligencji, PP-RAI, Poznań, https://pp-rai.cs.put.poznan.pl/pp-rai-2018-raport.pdf (dostęp: 6.08.2020).pl_PL
dc.referencesCzubkowska Sylwia (2018), Dane, kłamstwa i wybory: Facebook wybiera Ci prezydenta, „Gazeta Wyborcza”, 24 marca.pl_PL
dc.referencesĆwiklak Dariusz (2017), Wielki Brat szepcze do ciebie, „Newsweek Polska”, 26 czerwca, s. 73–75.pl_PL
dc.referencesDalton Craig M., Taylor Linnet, Thatcher Jim (2016), Critical Data Studies: A dialog on data and space, „Big Data & Society”, vol. 3(1), https://doi.org/10.1177/2053951716648346pl_PL
dc.referencesDar Pranav (2018), Python or R? Hadley Wickham and Wes McKinney are Building Platform Independent Libraries!, https://www.analyticsvidhya.com/blog/2018/05/python-and-r-are-joining-hands-to-eliminate-platform-dependency/ (dostęp: 9.06.2018).pl_PL
dc.referencesDarmach Krystian (2017), Autoetnografia 2.0, „Kultura i Społeczeństwo”, nr 3(LXI), s. 87–101.pl_PL
dc.referencesData & Society (2018), Data & Society Research Institute, https://datasociety.net/ (dostęp: 30.04.2018).pl_PL
dc.referencesDataCamp (2018), DataCamp Scholarship for Women and Gender Minorities Application Form 2018, https://docs.google.com/forms/d/e/1FAIpQLScPBQuNDqucnpQoMUhFAKcpFSXYskb_zWr5k8Uy3pPB6o0Uag/viewform (dostęp: 10.09.2018).pl_PL
dc.referencesData Science Association (2020), Data Science Code of Professional Conduct, http://datascienceassn.org/code-of-conduct.html (dostęp: 2.08.2020).pl_PL
dc.referencesData Science Warsaw (2018a), Data Science Summit, http://dssconf.pl/ (dostęp: 30.03.2018).pl_PL
dc.referencesData Science Warsaw (2018b), Data Science Warsaw (Warszawa, Polska) | Meetup, https://www.meetup.com/pl-PL/Data-Science-Warsaw/ (dostęp: 19.11.2018).pl_PL
dc.referencesDavenport Thomas H., Patil D.J. (2012), Data Scientist: The Sexiest Job of the 21st Century, „Harvard Business Review”, https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century (dostęp: 30.03.2018).pl_PL
dc.referencesDavidson James, Livingston Blake, Sampath Dasarathi, Liebald Benjamin, Liu Junning, Nandy Palash, Van Vleet Taylor, Gargi Ullas, Gupta Sujoy, He Yu, Lambert Mike (2010), The YouTube video recommendation system, [w:] Proceedings of the fourth ACM conference on Recommender systems – RecSys ’10. New York, ACM Press, New York, s. 293–296, https://dl.acm.org/doi/10.1145/1864708.1864770pl_PL
dc.referencesDelapenha Lauren (2017), 42 Essential Quotes by Data Science Thought Leaders, https://www.kdnuggets.com/2017/05/42-essential-quotes-data-science-thought-leaders.html (dostęp: 6.02.2018).pl_PL
dc.referencesDenyer Simon (2016), China’s plan to organize its society relies on ‘big data’ to rate everyone, „The Washington Post”, 22 października.pl_PL
dc.referencesDeptuła Jacek (2018), Facebook dobrze wie, kto i jak będzie głosował, „Dziennik Łódzki”, 21 marca.pl_PL
dc.referencesDesai Jules, Watson David, Wang Vincent, Taddeo Mariarosaria, Floridi Luciano (2022), The epistemological foundations of data science: a critical analysis, „SSRN Electronic Journal”, https://doi.org/10.2139/ssrn.4008316pl_PL
dc.referencesDevlin Josh (2018), Want a Job in Data? Learn This, https://www.dataquest.io/blog/why-sql-is-the-most-important-language-to-learn (dostęp: 20.04.2018).pl_PL
dc.referencesDeZyre (2015), Data Science Programming: Python vs R, https://www.dezyre.com/article/data-science-programming-python-vs-r/128 (dostęp: 29.09.2018).pl_PL
dc.referencesDiaz-Bone Rainer (2013), Situationsanalyse – Strauss meets Foucault?, „Forum Qualitative Sozialforschung”, vol. 14(1), https://doi.org/10.17169/fqs-14.1.1928pl_PL
dc.referencesDiebold Francis X. (2012), On the Origin(s) and Development of “Big Data”: The Phenomenon, the Term, and the Discipline, http://www.ssc.upenn.edu/~fdiebold/papers/paper112/Diebold_Big_Data.pdf (dostęp: 29.09.2018).pl_PL
dc.referencesDijck José van (2014), Datafication, dataism and dataveillance: Big Data between scientific paradigm and ideology, „Surveillance and Society”, vol. 12(2), s. 197– 208, https://doi.org/10.24908/ss.v12i2.4776pl_PL
dc.referencesdimlakgorkehgz (2019), GUIs to save from typing R code, https://alternativeto.net/list/2063/guis-to-save-from-typing-r-code/ (dostęp: 11.02.2019).pl_PL
dc.referencesDixon James (2010), Pentaho, Hadoop, and Data Lakes, https://jamesdixon.wordpress.com/2010/10/14/pentaho-hadoop-and-data-lakes/ (dostęp: 14.08.2019).pl_PL
dc.referencesDodge David (2018), 5 Reasons Python Programming is Perfect for Kids, https://codakid.com/5-reasons-python-programming-is-perfect-for-kids/ (dostęp: 20.07.2019).pl_PL
dc.referencesDodge David (2018), 5 Reasons Python Programming is Perfect for Kids, https://codakid.com/5-reasons-python-programming-is-perfect-for-kids/ (dostęp: 20.07.2019).pl_PL
dc.referencesDonoho David (2015), 50 Years of Data Science, „Journal of Computational and Graphical Statistics”, vol. 26(4), s. 745–766, https://doi.org/10.1080/10618600.2017.1384734pl_PL
dc.referencesDopierała Renata (2013), Prywatność w perspektywie zmiany społecznej, Zakład Wydawniczy NOMOS, Kraków.pl_PL
dc.referencesDrabas Tomasz, Lee Denny, Karau Holden (2017), Learning PySpark, Packt Publishing, Birmingham.pl_PL
dc.referencesDraper Nora (2017), Fail Fast: The Value of Studying Unsuccessful Technology Companies, „Media Industries Journal”, vol. 4(1), https://doi.org/10.3998/mij.15031809.0004.101pl_PL
dc.referencesDrejewicz Szymon (2017), Podcast Data Science po polsku, https://soundcloud.com/szymon-drejewicz-184766256 (dostęp: 20.06.2017).pl_PL
dc.referencesDrury Benjamin J., Oliver Siy John, Cheryan Sapna (2011), When Do Female Role Models Benefit Women? The Importance of Differentiating Recruitment From Retention in STEM, „Psychological Inquiry”, vol. 22(4), s. 265–269, https://doi.org/10.1080/1047840X.2011.620935pl_PL
dc.referencesDubrow Joshua Kjerulf, Tomescu-Dubrow Irina (2016), The rise of cross-national survey data harmonization in the social sciences: emergence of an interdisciplinary methodological field, „Quality & Quantity”, vol. 50(4), s. 1449–1467, https://doi.org/10.1007/s11135-015-0215-zpl_PL
dc.referencesDunn Jeff (2016), We put Siri, Alexa, Google Assistant, and Cortana through a marathon of tests to see who’s winning the virtual assistant race – here’s what we found, https://www.businessinsider.com/siri-vs-google-assistant-cortana-alexa-2016-11?IR=T#how-do-i-say-where-is-the-library-in-spanish-38 (dostęp: 10.07.2019).pl_PL
dc.referencesDutcher Jennifer (2014), Big Data Isn’t a Concept – It’s a Problem to Solve, https://datascience.berkeley.edu/what-is-big-data/ (dostęp: 9.12.2016).pl_PL
dc.referencesDwoskin Elizabeth, Harwell Drew, Timberg Craig (2018), Facebook had a closer relationship than it disclosed with the academic it called a liar, https:// www.washingtonpost.com/business/economy/facebook-had-a-closer- -relationship-than-it-disclosed-with-the-academic-it-called-a-liar/2018/03/22/ ca0570cc-2df9-11e8-8688-e053ba58f1e4_story.html?amp;utm_term=. e288973a7f9b&noredirect=on&utm_term=.a21d2a1e8 (dostęp: 6.02.2019).pl_PL
dc.referencesDyk David van, Fuentes Montse, Jordan Michael I., Newton Michael, Ray Bonnie K., Lang Duncan T., Wickham Hadley (2015), ASA Statement on the Role of Statistics in Data Science, http://magazine.amstat.org/blog/2015/10/01/asastatement-on-the-role-of-statistics-in-data-science/ (dostęp: 7.02.2018).pl_PL
dc.referencesDzieciątko Mariusz, Spinczyk Dominik (2016), Text mining. Metodyka, narzędzia, zastosowania, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesEagle Nathan (2005), Machine Perception and Learning of Complex Social Systems, praca doktorska, Massachusetts Institute of Technology, https://www.media.mit.edu/publications/machine-perception-and-learning-of-complex-social-systems/ (dostęp: 6.02.2019).pl_PL
dc.referencesEagle Nathan, Greene Kate (2014), Reality Mining: Using Big Data to Engineer a Better World, The MIT Press, Cambridge–London.pl_PL
dc.referencesEagle Nathan, Pentland Alex (2006), Reality mining: sensing complex social systems, „Journal Personal and Ubiquitous Computing”, vol. 10(4), s. 255–268, https://doi.org/10.1007/s00779-005-0046-3pl_PL
dc.referencesEconomic Graph Team (2017), LinkedIn’s 2017 U.S. Emerging Jobs Report, https:// economicgraph.linkedin.com/research/LinkedIns-2017-US-Emerging-Jobs-Report (dostęp: 7.02.2018).pl_PL
dc.referencesEder Maciej (2013), Mind your corpus: systematic errors in authorship attribution, „Literary and Linguistic Computing”, vol. 28(4), s. 603–614, https://doi.org/10.1093/llc/fqt039pl_PL
dc.referencesEder Maciej (2014), Metody ścisłe w literaturoznawstwie i pułapki pozornego obiektywizmu – przykład stylometrii, „Teksty Drugie”, nr 2, s. 90–105.pl_PL
dc.referencesEder Maciej (2015), Does size matter? Authorship attribution, small samples, big problem, „Digital Scholarship in the Humanities”, vol. 30(2), s. 167–182, https://doi.org/10.1093/llc/fqt066pl_PL
dc.referencesEder Maciej (2017), Visualization in stylometry: Cluster analysis using networks, „Digital Scholarship in the Humanities”, vol. 32(1), s. 50–64, https://doi.org/10.1093/llc/fqv061pl_PL
dc.referencesEder Maciej, Rybicki Jan, Kestemont Mike (2016), Stylometry with R: A Package for Computational Text Analysis, „The R Journal”, vol. 8(1), s. 107–121, https://doi.org/10.32614/RJ-2016-007pl_PL
dc.referencesElish M.C., Boyd Danah (2018), Situating methods in the magic of Big Data and AI, „Communication Monographs”, vol. 85(1), s. 57–80, https://doi.org/10.1080/03637751.2017.1375130pl_PL
dc.referencesElliott Larry (2018), Robots will take our jobs. We’d better plan now, before it’s too late, „The Guardian”, 1 stycznia, https://www.theguardian.com/commentisfree/2018/feb/01/robots-take-our-jobs-amazon-go-seattle (dostęp: 14.02.2018).pl_PL
dc.referencesExxact (2019), NVIDIA Data Science Workstations, https://www.exxactcorp.com/NVIDIA-Data-Science-Workstations (dostęp: 12.09.2019).pl_PL
dc.referencesFacebook (2018), Yann LeCun – Facebook Research, https://research.fb.com/people/lecun-yann/ (dostęp: 23.08.2018).pl_PL
dc.referencesFeinberg Donald (2017), Data Lake, Big Data, NoSQL – The Good, The Bad and The Ugly, https://blogs.gartner.com/donald-feinberg/2017/07/29/oh-terms-use-technology-need-new-hype/ (dostęp: 6.08.2019).pl_PL
dc.referencesFerrucci David, Brown Eric, Chu-Carroll Jennifer, Fan James, Gondek David, Kalyanpur Aditya A., Lally Adam, Murdock J. William, Nyberg Eric, Prager John, Schlaefer Nico, Welty Chris (2010), Building Watson: An Overview of the DeepQA Project, „AI Magazine”, vol. 31(3), s. 59–79, https://doi.org/10.1609/aimag.v31i3.2303pl_PL
dc.referencesFeuerstein Steven (1996), Advanced Oracle PL/SQL Programming with Packages, O’Reilly & Associates, Inc., Sebastopol.pl_PL
dc.referencesFierro Miguel, Salvaris Mathew, Wu Tao (2017), Lessons Learned From Benchmarking Fast Machine Learning Algorithms, https://blogs.technet.microsoft.com/ machinelearning/2017/07/25/lessons-learned-benchmarking-fast-machine-learning-algorithms/ (dostęp: 15.11.2019).pl_PL
dc.referencesFjeld Jessica, Achten Nele, Hilligoss Hannah, Nagy Adam Chistopher, Srikumar Madhulika (2020), Principled Artificial Intelligence: Mapping Consensus in Ethical and Rights-based Approaches to Principles for AI, „SSRN Electronic Journal”, https://ssrn.com/abstract=3518482 (dostęp: 6.08.2020).pl_PL
dc.referencesFloridi Luciano (2012), Big Data and Their Epistemological Challenge, „Philosophy & Technology”, vol. 25(4), s. 435–437, https://doi.org/10.1007/s13347-012-0093-4pl_PL
dc.referencesForeman John W. (2017), Mistrz analizy danych. Od danych do wiedzy, Wydawnictwo Helion, Gliwice.pl_PL
dc.referencesFormulated.by (2018), 15 Data Science Slack Communities to Join, https:// towardsdatascience.com/15-data-science-slack-communities-to-join-8fac301bd6ce (dostęp: 5.09.2019).pl_PL
dc.referencesFox John (2009), Aspects of the Social Organization and Trajectory of the R Project, „The R Journal”, no. 1 (December), s. 5–13.pl_PL
dc.referencesFox John, Leanage Allison (2016), R and the Journal of Statistical Software, „Journal of Statistical Software”, vol. 73(2), s. 1–13, https://doi.org/10.18637/jss.v073.i02pl_PL
dc.referencesFranceschi-Bicchierai Lorenzo (2018), Why We’re Not Calling the Cambridge Analytica Story a ‘Data Breach’, https://motherboard.vice.com/en_us/article/3kjzvk/facebook-cambridge-analytica-not-a-data-breach (dostęp: 5.02.2019).pl_PL
dc.referencesFreeman Linton C. (2014), The Development of Social Network Analysis – with an Emphasis on Recent Events, [w:] The SAGE Handbook of Social Network Analysis, Sage Publications Ltd., London, s. 26–39.pl_PL
dc.referencesFrenken Koen, Schor Juliet (2017), Putting the sharing economy into perspective, „Environmental Innovation and Societal Transitions”, vol. 23, s. 3–10, https://doi.org/10.1016/j.eist.2017.01.003pl_PL
dc.referencesFrey Carl Benedikt, Osborne Michael A. (2017), The future of employment: How susceptible are jobs to computerisation?, „Technological Forecasting and Social Change”, vol. 114(1), s. 254–280, https://doi.org/10.1016/j.techfore.2016.08.019pl_PL
dc.referencesFriedman Batya, Nissenbaum Helen (1996), Bias in computer systems, „ACM Transactions on Information Systems”, vol. 14(3), s. 330–347, https://doi.org/10.1145/230538.230561pl_PL
dc.referencesFuller Abby (2019), On Soft Talks and Being Technical – talk at Monktoberfest 2019, https://www.youtube.com/watch?reload=9&v=cDgi4oaoIto (dostęp: 30.04.2020).pl_PL
dc.referencesFundacja Panoptykon (2019), Prawo do wyjaśnienia w pytaniach i odpowiedziach, https://panoptykon.org/prawo-do-wyjasnienia (dostęp: 5.09.2019).pl_PL
dc.referencesFuture of Life Institute (2017), AI Principles, https://futureoflife.org/ai-principles/ (dostęp: 7.02.2018).pl_PL
dc.referencesFürg Daniel (2017), Curt Simon Harlinghausen: Der kulturelle Wandel findet oftmals nicht statt, https://48forward.com/greencircle/curt-simon-harlinghausen/ (dostęp: 27.06.2020).pl_PL
dc.referencesGalloway Scott (2018), Wielka Czwórka. Ukryte DNA: Amazon, Apple, Facebook i Google, Dom Wydawniczy Rebis, Poznań.pl_PL
dc.referencesGandomi Amir, Haider Murtaza (2015), Beyond the hype: Big data concepts, methods, and analytics, „International Journal of Information Management”, vol. 35(2), s. 137–144, https://doi.org/10.1016/j.ijinfomgt.2014.10.007pl_PL
dc.referencesGardner Dan (2012), Introduction, [w:] R. Smolan, J. Erwitt (red.), The human face of big data, Against All Odds Productions, Sausalito, s. 14–15.pl_PL
dc.referencesGarner Bennett (2018), Why I Code in Python, https://medium.com/@Bennett-Garner/why-i-code-in-python-a1e4012eb859 (dostęp: 24.07.2019).pl_PL
dc.referencesGągolewski Marek (2016), Programowanie w języku R. Analiza danych. Obliczenia. Symulacje, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesGągolewski Marek, Bartoszuk Maciej, Cena Anna (2016), Przetwarzanie i analiza danych w języku Python, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesGershon Ilana (2011), Neoliberal Agency, „Current Anthropology”, vol. 52(4), s. 537–555, https://doi.org/10.1086/660866pl_PL
dc.referencesGersz Aleksandra (2018), Wyciek danych z Facebooka wpłynął na wybory w Polsce?, „Dziennik Łódzki”, 21 marca.pl_PL
dc.referencesGłówny Urząd Statystyczny (2019), Jak zapytać o dane, https://stat.gov.pl/pytania-i-zamowienia/jak-zamowic-dane/ (dostęp: 6.08.2019).pl_PL
dc.referencesGogoi Namrata (2019), How to Use AI Camera Features on Any Android Phone, https:// www.guidingtech.com/ai-camera-features-android-phone/ (dostęp: 10.07.2019).pl_PL
dc.referencesGogołek Włodzimierz (2016), Rafinacja dużej skali zasobów sieciowych – Big Data. Dziennikarskie źródło informacji, „Ekonomika i Organizacja Przedsiębiorstwa”, nr 7(798), s. 12–18.pl_PL
dc.referencesGoldstein Ira (2019), What ! No GUI ? – Teaching A Text Based Command Line Oriented Introduction to Computer Science Course, „Information Systems Education Journal”, no. 17(February), s. 40–48.pl_PL
dc.referencesGontarz Andrzej (2019), Rynek pracy. Od BigData i AI do BI, „Enterprise Software Review”, https://bigdatatechwarsaw.eu/report-job-market-for-data-professionals-from-big-data-and-ai-to-bi/ (dostęp: 6.11.2019).pl_PL
dc.referencesGoodfellow Ian, Bengio Yoshua, Courville Aaron (2016), Deep Learning, http:// www.deeplearningbook.org/ (dostęp: 5.11.2017).pl_PL
dc.referencesGoogle (2012), Google’s R Style Guide, https://google.github.io/styleguide/Rguide.xml (dostęp: 5.01.2018).pl_PL
dc.referencesGoogle (2018), Peter Norvig – Google AI, https://ai.google/research/people/author205 (dostęp: 22.05.2018).pl_PL
dc.referencesGoogle (2019), Colaboratory – FAQ, https://research.google.com/colaboratory/faq.html (dostęp: 23.07.2019).pl_PL
dc.referencesGoogle Data Center 360° Tour (b.d.), https://www.youtube.com/watch?v=zDAYZU4A3w0 (dostęp: 7.01.2020).pl_PL
dc.referencesGoogle Trends (2020a), Big data, Machine learning, Data science, Artificial intelligence – Explore – Google Trends, https://trends.google.com/trends/explore- ?date=2008-01-012020-09-30&q=%2Fm%2F0bs2j8q,%2Fm%2F01hyh_,%2Fm% 2F0jt3_q3,%2Fm%2F0mkz&hl=en-US (dostęp: 5.10.2020).pl_PL
dc.referencesGoogle Trends (2020b), Big data, Machine learning, Data science – Explore – Google Trends, https://trends.google.com/trends/explore?date=2008-01-012020-09-30&q=%2Fm%2F0bs2j8q,%2Fm%2F01hyh_,%2Fm%2F0jt3_q3&hl=en-US (dostęp: 5.10.2020).pl_PL
dc.referencesGorecki Jan, Yuan Jiaming (2019), Database-like ops benchmark, https://h2oai.github.io/db-benchmark/index.html (dostęp: 6.05.2019).pl_PL
dc.referencesGostkiewicz Michał (2017), Chiny podłączą 1,3 miliarda ludzi i wielkie firmy do Matrixa. Prawdziwego. Czerwonej pigułki nie będzie, http://weekend.gazeta.pl/ weekend/1,152121,22621623,chiny-podlacza-1-3-miliarda-ludzi-i-wielkie-firmy-do-matrixa.html (dostęp: 18.06.2018).pl_PL
dc.referencesGrace Katja, Salvatier John, Dafoe Allan, Zhang Baobao, Evans Owain (2018), When Will AI Exceed Human Performance? Evidence from AI Experts, „Journal of Artificial Intelligence Research”, no. 62, s. 729–754pl_PL
dc.referencesGranville Vincent (2014), 16 analytic disciplines compared to data science, https:// www.datasciencecentral.com/profiles/blogs/17-analytic-disciplines-compared (dostęp: 3.01.2017).pl_PL
dc.referencesGreene Daniel, Hoffman Anna Lauren, Stark Luke (2019), Better, Nicer, Clearer, Fairer: A Critical Assessment of the Movement for Ethical Artificial Intelligence and Machine Learning, Hawaii International Conference on System Sciences (HICSS), Maui.pl_PL
dc.referencesGrewal Paul (2018), Suspending Cambridge Analytica and SCL Group From Facebook, https://newsroom.fb.com/news/2018/03/suspending-cambridge-analytica/ (dostęp: 5.02.2019).pl_PL
dc.referencesGroen Albin (2019), Maximizing use of the terminal, https://medium.com/@albingroen/ maximizing-use-of-the-terminal-9b7b12ab5dd2 (dostęp: 11.09.2019).pl_PL
dc.referencesGrolemund Garrett, Wickham Hadley (2011), Dates and Times Made Easy with {lubridate}, „Journal of Statistical Software”, vol. 40(3), s. 1–25.pl_PL
dc.referencesGrommé Francisca, Ruppert Evelyn, Cakici Baki (2018), Data Scientists: A new faction of the transnational field of statistics, [w:] H. Knox, D. Nafus (red.), Ethnography for a data-saturated world, Manchester University Press, Manchester, s. 33–61.pl_PL
dc.referencesGrush Loren (2015), Google engineer apologizes after Photos app tags two black people as gorillas, https://www.theverge.com/2015/7/1/8880363/google-apologizes-photos-app-tags-two-black-people-gorillas?utm_source=Codecademy (dostęp: 26.02.2018).pl_PL
dc.referencesGualtieri Mike, Carlsson Kjell, Sridharan Srividya, Rerdoni Robert, Yunus Aldila (2018), The Forrester WaveTM: Multimodal Predictive Analytics and Machine Learning Solutions, Q3 2018, https://reprints.forrester.com/#/assets/2/1451/RES141374/reports (dostęp: 11.09.2019).pl_PL
dc.referencesGulipalli Pradeep (2019), The Pareto Principle for Data Scientists, https://www.kdnuggets.com/2019/03/pareto-principle-data-scientists.html (dostęp: 15.04.2019).pl_PL
dc.referencesGuo Philip J. (2018), Non-Native English Speakers Learning Computer Programming, [w:] Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems – CHI ’18. T. 2018-April, ACM Press, New York, s. 1–14.pl_PL
dc.referencesGutierrez Sebastian (2014), Data Scientists at Work: Sexy Scientists Wrangling Data And Begetting New Industries, Appres, Berkeley.pl_PL
dc.referencesHale Jeff (2018), The Most in Demand Skills for Data Scientists, https:// towardsdatascience.com/the-most-in-demand-skills-for-data-scientists-4a4a8db896db (dostęp: 25.10.2018).pl_PL
dc.referencesHalevy Alon, Norvig Peter, Pereira Fernando (2009), The Unreasonable Effectiveness of Data, „IEEE Intelligent Systems”, vol. 24(2), s. 8–12, https://doi. org/10.1109/MIS.2009.36pl_PL
dc.referencesHałas Elżbieta (2006), Interakcjonizm symboliczny, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesHamideh (2015), Do data scientists use Excel?, https://datascience.stackexchange.com/questions/5443/do-data-scientists-use-excel (dostęp: 4.09.2018).pl_PL
dc.referencesHansen Steven (2017), How Big Data Is Empowering AI and Machine Learning?, https://hackernoon.com/how-big-data-is-empowering-ai-and-machine-learning-4e93a1004c8f (dostęp: 13.02.2018).pl_PL
dc.referencesHarari Yuval Noah (2017), Homo Deus: A Brief History of Tomorrow, Vintage, London.pl_PL
dc.referencesHarari Yuval Noah (2018), 21 lekcji na 21 wiek, Wydawnictwo Literackie, Kraków.pl_PL
dc.referencesHaratyk Karol, Biały Kamila, Gońda Marcin (2017), Biographical meanings of work: the case of a Polish freelancer, „Przegląd Socjologii Jakościowej”, t. XIII, nr 4, s. 136–159, https://doi.org/10.18778/1733-8069.13.4.08pl_PL
dc.referencesHarper Norma Wynn, Daane C.J. (1998), Causes and Reduction of Math Anxiety in Preservice Elementary Teachers, „Action in Teacher Education”, vol. 19(4), s. 29–38, https://doi.org/10.1080/01626620.1998.10462889pl_PL
dc.referencesHarris Harlan D., Murphy Sean Patric, Vaisman Marck (2013), Analyzing The Analyzers: An Introspective Survey of Data Scientists and Their Work, O’Reilly, Beijing–Cambridge.pl_PL
dc.referencesHarris Jonathan (2012), Data Driven, [w:] R. Smolan, J. Erwitt (red.), The human face of big data, Against All Odds Productions, Sausalito, s. 200–203.pl_PL
dc.referencesHatalska Natalia (2021), Wiek paradoksów: czy technologia nas ocali?, Wydawnictwo Znak, Kraków.pl_PL
dc.referencesHatton Celia (2015), China ‘social credit’: Beijing sets up huge system, https://www. bbc.com/news/world-asia-china-34592186 (dostęp: 21.01.2019).pl_PL
dc.referencesHenderson Peter, Islam Riashat, Bachman Philip, Pineau Joelle, Precup Doina, Meger David (2017), Deep Reinforcement Learning that Matters, https://arxiv.org/abs/1709.06560 (dostęp: 13.02.2018).pl_PL
dc.referencesHenke Nicolaus, Levine Jordan, Mcinerney Paul (2018), You Don’t Have to Be a Data Scientist to Fill This Must- Have Analytics Role, „Harvard Business Review”, 5 lutego, https://hbr.org/2018/02/you-dont-have-to-be-a-data-scientist-to-fill-this-must-have-analytics-role (dostęp: 20.08.2018).pl_PL
dc.referencesHill Kashmir (2012), How Target Figured Out A Teen Girl Was Pregnant Before Her Father Did, „Forbes”, 16 lutego, https://www.forbes.com/sites/kashmirhill/ 2012/02/16/how-target-figured-out-a-teen-girl-was-pregnant-before-her-father-did/#6d733aa66668 (dostęp: 2.05.2018).pl_PL
dc.referencesHu Jane C. (2018), So you think being called NIPS SUX? Here’s how organizations handle unfortunate acronyms, https://qz.com/1437829/from-isis-to-nips-how-organizations-handle-unfortunate-acronyms/ (dostęp: 12.02.2019).pl_PL
dc.referencesHuet Ellen (2016), The Humans Hiding Behind the Chatbots, https://www.bloomberg.com/news/articles/2016-04-18/the-humans-hiding-behind-the-chatbots (dostęp: 6.01.2019).pl_PL
dc.referencesHughes Phil (1999), An Interview with Guido van Rossum, „Linux Journal”, http:// web.archive.org/web/20160310004241/http://www.linuxjournal.com/article/5028 (dostęp: 16.07.2019).pl_PL
dc.referencesHunter John D. (2007), Matplotlib: A 2D Graphics Environment, „Computing in Science & Engineering”, vol. 9(3), s. 90–95, https://doi.org/10.1109/ MCSE.2007.55pl_PL
dc.referencesHunter John D., Droettboom Michael (2012), matplotlib, [w:] A. Brown, G. Wilson (red.), The Architecture of Open Source Applications, Volume II: Structure, Scale, and a Few More Fearless Hacks, http://aosabook.org/en/matplotlib.html (dostęp: 6.01.2019).pl_PL
dc.referencesHyndman Rob (2014), Am I a data scientist?, https://robjhyndman.com/hyndsight/am-i-a-data-scientist/ (dostęp: 5.01.2018).pl_PL
dc.referencesIerusalimschy Roberto, Celes Waldemar, Figueiredo Luiz Henrique de (2019), Lua, https://www.lua.org/ (dostęp: 15.07.2019).pl_PL
dc.referencesIhaka Ross, Gentleman Robert (1996), R: A Language for Data Analysis and Graphics, „Journal of Computational and Graphical Statistics”, vol. 5(3), s. 299–314, https://doi.org/10.2307/1390807pl_PL
dc.referencesInbar Ohad, Tractinsky Noam, Meyer Joachim (2007), Minimalism in information visualization, [w:] Proceedings of the 14th European conference on Cognitive ergonomics invent! explore! – ECCE ’07. New York, ACM Press, New York, s. 185.pl_PL
dc.referencesIs it a job offer for a Data Scientist?, http://smarterpoland.pl/index.php/2017/01/is-it-a-job-offer-for-a-data-scientist/ (dostęp: 21.02.2018).pl_PL
dc.referencesIsaak Jim, Hanna Mina J. (2018), User Data Privacy: Facebook, Cambridge Analytica, and Privacy Protection, „Computer”, vol. 51(8), s. 56–59, https://doi. org/10.1109/MC.2018.3191268pl_PL
dc.referencesIsmail Nur Amie, Abidin Wardah Zainal (2016), Data Scientist Skills, „IOSR Journal of Mobile Computing & Application”, vol. 03(04), s. 52–61, https://doi. org/10.9790/0050-03045261pl_PL
dc.referencesIT Central Station (2019), Data Science Platforms: Buyer’s Guide and Reviews, https://www.itcentralstation.com/landing/report-data-science-platforms (dostęp: 16.04.2019).pl_PL
dc.referencesIwasiński Łukasz (2016), Społeczne zagrożenia danetyzacji rzeczywistości, [w:] B. Sosińska-Kalata (red.), Nauka o informacji w okresie zmian. Informatologia i humanistyka cyfrowa, Wydawnictwo SBP, Warszawa, s. 135–146.pl_PL
dc.referencesIwasiński Łukasz (2017), Przyczynek do rozważań nad suwerennością konsumenta w epoce danetyzacji i big data, „Kultura – Historia – Globalizacja”, nr 21, s. 119–133.pl_PL
dc.referencesJackson Michelle (2001), Meritocracy, Education and Occupational Attainment: What Do Employers Really See as Merit?, Working Paper, no. 3, Department of Sociology, University of Oxford, s. 1–24.pl_PL
dc.referencesJacobs Adam (2009), The pathologies of big data, „Communications of the ACM”, vol. 52(8), s. 36–44, https://doi.org/10.1145/1536616.1536632pl_PL
dc.referencesJacyno Małgorzata (2007), Kultura indywidualizmu, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesJain Varsha (2018), Luxury: Not for Consumption but Developing Extended Digital Self, „Journal of Human Values”, vol. 24(1), s. 25–38, https://doi.org/10.1177/0971685817733570pl_PL
dc.referencesJarvis Jeremy (2014), @jeremyjarvis: A data scientist is a statistician who lives in San Fransisco, https://twitter.com/jeremyjarvis/status/428848527226437632 (dostęp: 7.12.2017).pl_PL
dc.referencesJemielniak Dariusz (2018), Socjologia 2.0: o potrzebie łączenia big data z etnografią cyfrową, wyzwaniach jakościowej socjologii cyfrowej i systematyzacji pojęć, „Studia Socjologiczne”, nr 2(229), s. 7–29, https://doi.org/10.24425/122461pl_PL
dc.referencesJemielniak Dariusz (2019), Socjologia internetu, Wydawnictwo Naukowe Scholar, Warszawa.pl_PL
dc.referencesJemielniak Dariusz (2020), Thick Big Data, Oxford University Press, Oxford.pl_PL
dc.referencesJoler Vladan, Crawford Kate (2018), Anatomy of an AI System, https://anatomyof.ai/img/ai-anatomy-publication.pdf (dostęp: 16.04.2019).pl_PL
dc.referencesJolly Eshin (2018), Pymer4: Connecting R and Python for Linear Mixed Modeling, „Journal of Open Source Software”, vol. 3(31), s. 1–3, https://doi.org/10.21105/joss.00862pl_PL
dc.referencesJóźwiak Michał (2019), Grzechomaty i księża-roboty, czyli o… Kościele przyszłości?, https://misyjne.pl/grzechomaty-i-ksieza-roboty-czyli-o-kosciele-przyszlosci/ (dostęp: 26.08.2020).pl_PL
dc.referencesJunco Pablo Ruiz (2017), Data Scientist Personas: What Skills Do They Have and How Much Do They Make?, https://www.glassdoor.com/research/data-scientist-personas/ (dostęp: 25.10.2018).pl_PL
dc.referencesJung Alexander (2019), imgaug Documentation. Release 0.2.9, https://buildmedia.readthedocs.org/media/pdf/imgaug/latest/imgaug.pdf (dostęp: 27.11.2018).pl_PL
dc.referencesJuza Marta (2016), Internet w życiu społecznym – nadzieje, obawy, krytyka, „Studia Socjologiczne”, nr 1(220), s. 199–221.pl_PL
dc.referencesKacperczyk Anna (2007), Badacz i jego poszukiwania w świetle „Analizy Sytuacyjnej” Adele E. Clarke, „Przegląd Socjologii Jakościowej”, t. III, nr 2, s. 5–32.pl_PL
dc.referencesKacperczyk Anna (2011), Obiekt graniczny (Boundary object), [w:] K.T. Konecki, P. Chomczyński (red.), Słownik socjologii jakościowej, Wydawnictwo Difin, Warszawa, s. 192.pl_PL
dc.referencesKacperczyk Anna (2014), Autoetnografia – technika, metoda, nowy paradygmat? O metodologicznym statusie autoetnografii, „Przegląd Socjologii Jakościowej”, t. X, nr 3, s. 32–74.pl_PL
dc.referencesKacperczyk Anna (2016), Społeczne światy. Teoria – empiria – metody badań: na przykładzie społecznego świata wspinaczki, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.pl_PL
dc.referencesKacperczyk Anna (2017), Rozum czy emocje? O odmianach autoetnografii oraz epistemologicznych przepaściach i pomostach między nimi, „Kultura i Społeczeństwo”, nr 3(LXI) s. 127–148.pl_PL
dc.referencesKaczorowska-Spychalska Dominika (2019), UŁ komentuje: Sztuczna inteligencja i biznes, https://www.uni.lodz.pl/aktualnosc/szczegoly/ul-komentuje-sztuczna-inteligencja-i-biznes-zwiazek-prawie-doskonaly (dostęp: 4.07.2019).pl_PL
dc.referencesKaggle (2017a), 2017 Kaggle Machine Learning & Data Science Survey, https:// www.kaggle.com/kaggle/kaggle-survey-2017 (dostęp: 19.07.2019).pl_PL
dc.referencesKaggle (2017b), 2017: The State of Data Science & Machine Learning, https://www. kaggle.com/surveys/2017 (dostęp: 27.03.2018).pl_PL
dc.referencesKaggle (2018a), 2018 Kaggle Machine Learning & Data Science Survey, https:// www.kaggle.com/kaggle/kaggle-survey-2018 (dostęp: 19.07.2019).pl_PL
dc.referencesKaggle (2018b), Kaggle Days, https://www.kaggledays.com/ (dostęp: 25.04.2018).pl_PL
dc.referencesKallenberg Michiel, Petersen Kersten, Nielsen Mads, Ng Andrew, Diao Pengfei, Igel Christian, Vachon Celine M., Holland Katharina, Winkel Rikke Rass, Karssemeijer Nico, Lillholm Martin (2016), Unsupervised Deep Learning Applied to Breast Density Segmentation and Mammographic Risk Scoring, „IEEE Transactions on Medical Imaging”, vol. 35(5), s. 1322–1331, https://doi.org/10.1109/TMI.2016.2532122pl_PL
dc.referencesKane Michael J., Emerson John W., Weston Stephen (2013), Scalable Strategies for Computing with Massive Data, „Journal of Statistical Software”, vol. 55(14), s. 1–19, https://doi.org/10.18637/jss.v055.i14pl_PL
dc.referencesKapur Manu, Rummel Nikol (2012), Productive failure in learning from generation and invention activities, „Instructional Science”, vol. 40(4), s. 645–650, https:// doi.org/10.1007/s11251-012-9235-4pl_PL
dc.referenceskarupakalas (2018), IDE alternatives for R programming (RStudio, IntelliJ IDEA, Eclipse, Visual Studio), https://datascience.stackexchange.com/a/28853 (dostęp: 11.07.2019).pl_PL
dc.referencesKDnuggets (b.d.), About KDnuggets, https://www.kdnuggets.com/about/index.html (dostęp: 5.01.2018).pl_PL
dc.referencesKeras (2019), Backend utilities, https://keras.io/backend/ (dostęp: 17.07.2019).pl_PL
dc.referencesKetkar Nikhil (2017), Deep Learning with Python, Apress, Berkeley, https://link.springer.com/book/10.1007/978-1-4842-2766-4 (dostęp: 11.07.2019).pl_PL
dc.referencesKędzierski Robert (2018), Niepokorni nie mogą nawet jeździć pociągiem. Pierwsze ofiary chińskiego systemu oceny obywateli, http://next.gazeta.pl/next/ 7,156830,23474436,niepokorni-nie-moga-nawet-jezdzic-pociagiem-pierwsze-ofiary.html (dostęp: 18.06.2018).pl_PL
dc.referencesKing John, Magoulas Roger (2016), 2016 Data Science Salary Survey, https://www.oreilly.com/radar/2016-data-science-salary-survey-results/ (dostęp: 11.07.2019).pl_PL
dc.referencesKitchin Rob (2014), Big Data, new epistemologies and paradigm shifts, „Big Data & Society”, vol. 1(1), s. 1–12, https://doi.org/10.1177/2053951714528481pl_PL
dc.referencesKling Rob, Gerson Elihu M. (1978), Patterns of Segmentation and Intersection in the Computing World, „Symbolic Interaction”, vol. 1(2), s. 24–43, https://doi.org/10.1525/si.1978.1.2.24pl_PL
dc.referencesKnapik Rozalia (2018), Sztuczny Bóg. Wizerunki technologicznej Osobliwości w (pop)kulturze, Instytut Kultury Popularnej, Poznań.pl_PL
dc.referencesKnox Hannah, Nafus Dawn (red.) (2018), Ethnography for a data-saturated world, Manchester University Press, Manchester.pl_PL
dc.referencesKobielus James (2017), 7 Ways to Get High-Quality Labeled Training Data at Low Cost, https://www.kdnuggets.com/2017/06/acquiring-quality-labeled-training-data.html (dostęp: 5.02.2019).pl_PL
dc.referencesKoch Therese (2018), NIPS AI Conference to Continue Laughing about Nipples at the Expense of Women in Tech, https://medium.com/@therese.koch1/nips-aiconference- to-continue-laughing-about-nipples-at-the-expense-of-women-in-tech-8c0fa74b1ec4 (dostęp: 12.02.2019).pl_PL
dc.referencesKodołamacz.pl i Centrum Zarządzania Innowacjami i Transferem Technologii Politechniki Warszawskiej (2017), Zawody Przyszłości #1, http://kodolamacz.pl/zawodyprzyszlosci/ (dostęp: 11.06.2017).pl_PL
dc.referencesKoloch Grzegorz, Grobelna Karolina, Zakrzewska-Szlichtyng Karolina, Kamiński Bogumił, Kaszyński Daniel (2017), Intensywność wykorzystania danych w gospodarce a jej rozwój – analiza diagnostyczna, Ministerstwo Cyfryzacji Rzeczypospolitej Polskiej, Warszawa, https://mc.bip.gov.pl/rok-2017/analiza-diagnostyczna- intesywnosc-wykorzystania-danych-w-gospodarce-a-jej-rozwoj.html (dostęp: 12.02.2019).pl_PL
dc.referencesKomisja Europejska (2020), White Paper on Artificial Intelligence – A European approach to excellence and trust, COM(2020) 65 final.pl_PL
dc.referencesKomisja Europejska (2021), Wniosek w sprawie rozporządzenia Parlamentu Europejskiego i Rady ustanawiającego zharmonizowane przepisy dotyczące sztucznej inteligencji (akt w sprawie sztucznej inteligencji) i zmieniającego niektóre akty ustawodawcze Unii, COM(2021) 206 final.pl_PL
dc.referencesKomisja Europejska (2022a), Akt o rynkach cyfrowych: gwarancja sprawiedliwych i otwartych rynków cyfrowych, https://ec.europa.eu/info/strategy/priorities-2019-2024/europe-fit-digital-age/digital-markets-act-ensuring-fair-and-open-digital-markets_en (dostęp: 8.02.2022).pl_PL
dc.referencesKomisja Europejska (2022b), Akt o usługach cyfrowych: bezpieczeństwo i odpowiedzialność uczestników interakcji w internecie, https://ec.europa.eu/ info/strategy/priorities-2019-2024/europe-fit-digital-age/digital-services-act-ensuring-safe-and-accountable-online-environment_pl (dostęp: 8.02.2022).pl_PL
dc.referencesKomisja Europejska (2022c), Doskonałość i zaufanie do sztucznej inteligencji, https://ec.europa.eu/info/strategy/priorities-2019-2024/europe-fit-digital-age/excellence-trust-artificial-intelligence_pl (dostęp: 8.02.2022).pl_PL
dc.referencesKonecki Krzysztof T. (2000), Studia z metodologii badań jakościowych. Teoria ugruntowana, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesKopf Dan (2015), Hadley Wickham, the Man Who Revolutionized R, https://priceonomics.com/hadley-wickham-the-man-who-revolutionized-r/ (dostęp: 5.01.2018).pl_PL
dc.referencesKotuła Sebastian Dawid (2014), Wstęp do Open Source, Wydawnictwo Stowarzyszenia Bibliotekarzy Polskich, Warszawa.pl_PL
dc.referencesKowalski Jaroslaw, Biele Cezary, Krzysztofek Kazimierz (2019), Smart Home Technology as a Creator of a Super-Empowered User, [w:] W. Karwowski, T. Ahram (red.), Advances in Intelligent Systems and Computing, Springer International Publishing, Cham, s. 175–180, https://doi.org/10.1007/978-3-030-11051-2_27pl_PL
dc.referencesKozinets Robert V. (2003), The Field behind the Screen: Using Netnography for Marketing Research in Online Communities, „Journal of Marketing Research”, vol. 39(1), s. 61–72, https://doi.org/10.1509/jmkr.39.1.61.18935pl_PL
dc.referencesKozyrkov Cassie (2018), Top 10 roles in AI and data science, https://medium.com/hackernoon/top-10-roles-for-your-data-science-team-e7f05d90d961 (dostęp: 23.10.2018).pl_PL
dc.referencesKrawczyk Stanisław, Migdał Piotr (2011), Zespół Aspergera, nauki ścisłe i kultura nerdów, „Rocznik Kognitywistyczny”, t. 5, s. 93–101, https://doi.org/10.4467/20843895RK.12.011.0415pl_PL
dc.referencesKrawiec Krzysztof (2003), Uczenie maszynowe i sieci neuronowe, Wydawnictwo Politechniki Poznańskiej, Poznań.pl_PL
dc.referencesKriegel Alex, Trukhnov Boris M. (2011), Discovering SQL: A Hands-On Guide for Beginners, Wrox, Indianapolis.pl_PL
dc.referencesKromme Jeroen (2017), Python & R vs. SPSS & SAS, http://www.theanalyticslab.nl/2017/03/18/python-r-vs-spss-sas/ (dostęp: 26.10.2018).pl_PL
dc.referencesKroplewski Robert, Staniłko Jan, Ciesielski Michał, Flakiewicz Paweł, Jarzewski Andrzej, Kroszczyńska Elżbieta, Lubos Beata, Podgórska Anna, Pukaluk Michał, Pytko Tomasz, Romaniec Hubert, Wancio Agata, Stefaniak Sylwia, Zaczek Agata (2019), Polityka Rozwoju Sztucznej Inteligencji w Polsce na lata 2019–2027, Warszawa, https://www.gov.pl/attachment/0aa51cd5-b934-4bcb-8660-bfecb20ea2a9 (dostęp: 23.10.2018).pl_PL
dc.referencesKross Sean (2021), postcards: Create Beautiful, Simple Personal Websites, https:// cran.r-project.org/package=postcards (dostęp: 26.10.2018).pl_PL
dc.referencesKrzemiński Ireneusz (1986), Symboliczny interakcjonizm i socjologia, Państwowe Wydawnictwo Naukowe, Warszawa.pl_PL
dc.referencesKrzysztofek Kazimierz (2010), „Fragteracja” złożonych systemów społecznych – kilka pytań i hipotez badawczych, „Studia i Prace Uniwersytetu Ekonomicznego w Krakowie”, nr 13, s. 30–47.pl_PL
dc.referencesKrzysztofek Kazimierz (2011), W stronę maszyn społecznych. Jaka będzie socjologia, której nie znamy?, „Studia Socjologiczne”, nr 2(201), s. 123–145.pl_PL
dc.referencesKrzysztofek Kazimierz (2012), Big Data Society. Technologie samozapisu i samopokazu: ku humanistyce cyfrowej, „Transformacje”, nr 1–4(72–75), s. 223–257.pl_PL
dc.referencesKrzysztofek Kazimierz (2017), Kierunki ewaluacji technologii cyfrowych w działaniu społecznym. Próba systematyzacji problemu, „Studia Socjologiczne”, nr 1, s. 195–224.pl_PL
dc.referencesKrzysztofek Kazimierz (2018), Prévoir – Savoir – Pouvoir, czyli od przewidywania do wiedzy i władzy, „Stan Rzeczy”, nr 14, s. 17–39.pl_PL
dc.referencesKuhn Thomas S. (2001), Struktura rewolucji naukowych, Fundacja Aletheia, Warszawa.pl_PL
dc.referencesKulisiewicz Marcin, Kazienko Przemysław, Szymanski Boleslaw K., Michalski Radosław (2018), Entropy Measures of Human Communication Dynamics, „Scientific Reports”, vol. 8(1), 15697, https://doi.org/10.1038/s41598-018-32571-3pl_PL
dc.referencesKuncewicz Łukasz (2019), You’re ready to become a Data Scientist if…, https:// www.linkedin.com/posts/kuncewicz_youre-ready-to-become-a-data-scientist-if-activity-6566757953188311040-Ie3C (dostęp: 22.09.2019).pl_PL
dc.referencesKurczewska Joanna (1997), Technokraci i ich świat społeczny, Wydawnictwo Instytutu Filozofii i Socjologii PAN, Warszawa.pl_PL
dc.referencesKurzweil Ray (2016), Nadchodzi Osobliwość. Kiedy człowiek przekroczy granice biologii, Kurhaus Publishing, Warszawa.pl_PL
dc.referencesKuźba Michał, Biecek Przemysław (2020), What Would You Ask the Machine Learning Model? Identification of User Needs for Model Explanations Based on Human-Model Conversations, http://arxiv.org/abs/2002.05674 (dostęp: 26.10.2020).pl_PL
dc.referencesKwiatkowska Agnieszka (2017) „Hańba w Sejmie” – zastosowanie modeli generatywnych do analizy debat parlamentarnych, „Przegląd Socjologii Jakościowej”, t. XIII, nr 2, s. 82–109.pl_PL
dc.referencesKwon Ohbyung, Lee Namyeon, Shin Bongsik (2014), Data quality management, data usage experience and acquisition intention of big data analytics, „International Journal of Information Management”, vol. 34(3), s. 387–394, https://doi. org/10.1016/j.ijinfomgt.2014.02.002pl_PL
dc.referencesLaney Douglas (2001), 3-D data management: Controlling data volume, velocity and variety, http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf (dostęp: 14.03.2016).pl_PL
dc.referencesLapowsky Issie (2017), What Did Cambridge Analytica Really Do for Trump’s Campaign?, https://www.wired.com/story/what-did-cambridge-analytica-really-do-for-trumps-campaign/ (dostęp: 7.02.2019).pl_PL
dc.referencesLapowsky Issie (2019), How Cambridge Analytica Sparked the Great Privacy Awakening, https://www.wired.com/story/cambridge-analytica-facebook-privacy-awakening/ (dostęp: 17.03.2019).pl_PL
dc.referencesLardinois Frederic (2015), As Kubernetes Hits 1.0, Google Donates Technology To Newly Formed Cloud Native Computing Foundation, https://techcrunch. com/2015/07/21/as-kubernetes-hits-1-0-google-donates-technology-to-newly-formed-cloud-native-computing-foundation-with-ibm-intel-twitter-and-others/ (dostęp: 5.05.2019).pl_PL
dc.referencesLarose Daniel T. (2005), Discovering Knowledge in Data: An Introduction to Data Mining, John Wiley & Sons, Hoboken.pl_PL
dc.referencesLarose Daniel T. (2012), Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesLarson Jeff, Mattu Surya, Kirchner Lauren, Angwin Julia (2016), How We Analyzed the COMPAS Recidivism Algorithm, https://www.propublica.org/article/how-we-analyzed-the-compas-recidivism-algorithm (dostęp: 30.04.2018).pl_PL
dc.referencesLasek Mirosława (2002), Data Mining. Zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza „Zarządzanie i Finanse”, Warszawa.pl_PL
dc.referencesLasek Mirosława (2007), Metody Data Mining w analizowaniu i prognozowaniu kondycji ekonomicznej przedsiębiorstw: zastosowania SAS Enterprise Miner, Wydawnictwo Difin, Warszawa.pl_PL
dc.referencesLassiter Luke Eric (2005), The Chicago Guide to Collaborative Ethnography, The University of Chicago Press, Chicago–London.pl_PL
dc.referencesLatour Bruno (2013), Technologia jako utrwalone społeczeństwo, „AVANT. Pismo Awangardy Filozoficzno-Naukowej”, nr 4(1), s. 17–48.pl_PL
dc.referencesLazer David, Pentland Alex, Adamic Lada, Aral Sinan, Barabási Albert-László, Brewer Devon, Christakis Nicholas, Contractor Noshir, Fowler James, Gutmann Myron, Jebara Tony, King Gary, Macy Michael, Roy Deb, Van Alstyne Marshall (2009), Computational Social Science, „Science”, no. 323, s. 721–723.pl_PL
dc.referencesLe Quoc V., Ranzato Marc’Aurelio, Monga Rajat, Devin Matthieu, Chen Kai, Corrado Greg S., Dean Jeff, Ng Andrew (2011), Building high-level features using large scale unsupervised learning, http://arxiv.org/abs/1112.6209 (dostęp: 23.02.2020).pl_PL
dc.referencesLearnDataSci (2018), Top Data Science Online Courses in 2018, https://www.learndatasci.com/best-data-science-online-courses/ (dostęp: 21.02.2018).pl_PL
dc.referencesLeCun Yann (b.d.), Biographical Sketch, http://yann.lecun.com/ex/bio.html (dostęp: 12.09.2018).pl_PL
dc.referencesLeCun Yann, Bottou Léon, Bengio Yoshua, Haffner Patrick (1998), Gradient-based learning applied to document recognition, „Proceedings of the IEEE”, vol. 86(11), s. 2278–2324, https://doi.org/10.1109/5.726791pl_PL
dc.referencesLeCun Yann, Boser B., Denker J.S., Henderson D., Howard R.E., Hubbard W., Jackel L.D. (1989), Backpropagation Applied to Handwritten Zip Code Recognition, „Neural Computation”, vol. 1(4), s. 541–551, https://doi.org/10.1162/ neco.1989.1.4.541pl_PL
dc.referencesLee Adrian (2016), Geoffrey Hinton, the ‘godfather’ of deep learning, on AlphaGo, https://www.macleans.ca/society/science/the-meaning-of-alphago-the-ai-program-that-beat-a-go-champ/ (dostęp: 23.11.2018).pl_PL
dc.referencesLee Honglak, Pham Peter, Largman Yan, Ng Andrew (2009), Unsupervised feature learning for audio classification using convolutional deep belief networks, [w:] Y. Bengio, D. Schuurmans, J.D. Lafferty, C.K.I. Williams, A. Culotta (red.), Advances in Neural Information Processing Systems 22, Curran Associates, Inc., Vancouver, s. 1096–1104.pl_PL
dc.referencesLeek Jeffrey (2016), How to be a modern scientist, http://leanpub.com/modern-scientist (dostęp: 12.09.2018).pl_PL
dc.referencesLerman Rachel, O’Brien Matt (2019), Google’s privacy push gets a mixed reception, „Washington Times”, 8 maja, https://www.washingtontimes.com/ news/2019/may/8/googles-privacy-promises-dont-sway-many-experts/ (dostęp: 20.05.2019).pl_PL
dc.referencesLevy Steven (2019), Cambridge Analytica, Whistle-Blowers, and Tech’s Dark Appeal, https://www.wired.com/story/cambridge-analytica-whistle-blowers-and-techs-dark-appeal/ (dostęp: 15.10.2019).pl_PL
dc.referencesLewis-Kraus Gideon (2017), Budowniczowie wieży Googel, „Przekrój”, nr 2(3557), s. 151–162.pl_PL
dc.referencesLi Jun (2008), Ethical Challenges in Participant Observation: A Reflection on Ethnographic Fieldwork, „The Qualitative Report”, vol. 13(1), s. 100–115.pl_PL
dc.referencesLi Michael, Paczuski Paul (2017), Ranked: 15 Python packages for Data Science, http://blog.thedataincubator.com/wp-content/uploads/2017/04/Ranked-15-Python-Packages-for-Data-Science.pdf (dostęp: 20.05.2019).pl_PL
dc.referencesLinden Gregory D., Jacobi Jennifer A., Benson Eric A. (2001), Collaborative recommendations using item-to-item similarity mappings, United States Patent US-6266649-B1, https://image-ppubs.uspto.gov/dirsearch-public/print/downloadPdf/6266649 (dostęp: 15.10.2019).pl_PL
dc.referencesLohr Steve (2009), For Today’s Graduate, Just One Word: Statistics, „The New York Times”, 5 sierpnia, http://www.nytimes.com/2009/08/06/technology/06stats. html?module=ArrowsNav&contentCollection=Technology&action=keypress&region=FixedLeft&pgtype=article (dostęp: 15.02.2018).pl_PL
dc.referencesLópez Gustavo, Quesada Luis, Guerrero Luis A. (2018), Alexa vs. Siri vs. Cortana vs. Google Assistant: A Comparison of Speech-Based Natural User Interfaces BT – Advances in Human Factors and Systems Interaction, [w:] I.L. Nunes (red.), International Conference on Applied Human Factors and Ergonomics, Springer International Publishing, Cham, s. 241–250.pl_PL
dc.referencesLorenz Chris (2012), If You’re So Smart, Why Are You under Surveillance? Universities, Neoliberalism, and New Public Management, „Critical Inquiry”, vol. 38(3), s. 599–629, https://doi.org/10.1086/664553pl_PL
dc.referencesLorenzi Jean-Herve, Berrebi Mickaël (2019), Przyszłość naszej wolności. Czy należy rozmontować Google’a i kilku innych?, Państwowy Instytut Wydawniczy, Warszawa.pl_PL
dc.referencesLoukides Mike (2010), What is data science?, https://www.oreilly.com/ideas/what-is-data-science (dostęp: 8.09.2016).pl_PL
dc.referencesLowrie Ian (2016), Caring for Computers: How Russian Data Scientists Refashion Their Laptops, „Anthropology Now”, vol. 8(2), s. 25–33, https://doi.org/10.1080/19428200.2016.1202578pl_PL
dc.referencesLowrie Ian (2017), Algorithmic rationality: Epistemology and efficiency in the data sciences, „Big Data & Society”, vol. 4(1), s. 1–13, https://doi.org/10.1177/2053951717700925pl_PL
dc.referencesLowrie Ian (2018), Becoming a real data scientist. Expertise, flexibility and lifelong learning, [w:] H. Knox, D. Nafus (red.), Ethnography for a data-saturated world, Manchester University Press, Manchester, s. 62–81.pl_PL
dc.referencesLutyński Jan (1974), Uwagi na temat typologii wywiadów, maszynopis.pl_PL
dc.referencesLyotard Jean-François (1997), Kondycja ponowoczesna: raport o stanie wiedzy, Fundacja Aletheia, Warszawa.pl_PL
dc.referencesMac Ryan (2018), Cambridge Analytica Data Scientist Aleksandr Kogan Wants You To Know He’s Not A Russian Spy, https://www.buzzfeednews.com/article/ryanmac/facebook-cambridge-analytica-aleksandr-kogan-not-spy (dostęp: 1.02.2019).pl_PL
dc.referencesMajek Karol (2020), Polskie blogi o sztucznej inteligencji i analizie danych, https:// deepdrive.pl/polskie-blogi-o-sztucznej-inteligencji-i-analizie-danych/ (dostęp: 20.04.2020).pl_PL
dc.referencesMallan Kerry Margaret, Singh Parlo, Giardina Natasha (2010), The challenges of participatory research with ‘tech-savvy’ youth, „Journal of Youth Studies”, vol. 13(2), s. 255–272, https://doi.org/10.1080/13676260903295059pl_PL
dc.referencesManhart Klaus (1996), Artificial Intelligence Modelling: Data Driven and Theory Driven Approaches, [w:] K.G. Troitzsch, U. Mueller, G.N. Gilbert, J.E. Doran (red.), Social Science Micro Simulation, Springer, Berlin, s. 416–431, https://doi. org/10.1007/978-3-662-03261-9_19pl_PL
dc.referencesMannes John (2017), Geofferey Hinton was briefly a Google intern in 2012 because of bureaucracy, https://techcrunch.com/2017/09/14/geoffrey-hinton-was-briefly-a-google-intern-in-2012-because-of-bureaucracy/ (dostęp: 23.11.2018).pl_PL
dc.referencesManyika James, Chui Michael, Brown Brad, Bughin Jacques, Dobbs Richard, Roxburgh Charles, Hung Byers Angela (2011), Big data: The next frontier for innovation, competition, and productivity, McKinsey Global Institute, Seattle, https://www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey% 20digital/our%20insights/big%20data%20the%20next%20frontier%20 for%20innovation/mgi_big_data_full_report.pdf (dostęp: 5.11.2018).pl_PL
dc.referencesMarcus George E. (1995), Ethnography in/of the World System: The Emergence of Multi-Sited Ethnography, „Annual Review of Anthropology”, no. 24, s. 95–117.pl_PL
dc.referencesMarczuk Piotr, Mieczkowski Piotr, Calini Leonardo, Paszcza Bartosz (2019), Iloraz sztucznej inteligencji. Potencjał AI w polskiej gospodarce, Fundacja Digital Poland, Warszawa, https://www.digitalpoland.org/assets/publications/iloraz-sztucznej-inteligencji/iloraz-sztucznej-inteligencji-edycja-2-2019.pdf (dostęp: 23.11.2018).pl_PL
dc.referencesMarr Bernard (2016), What Is The Difference Between Artificial Intelligence And Machine Learning?, „Forbes”, 6 grudnia, https://www.forbes.com/sites/ bernardmarr/2016/12/06/what-is-the-difference-between-artificial-intelligence-and-machine-learning/#23890af2742b (dostęp: 14.02.2018).pl_PL
dc.referencesMaslow Abraham H. (1966), The Psychology of Science. A Reconnaissance, Gateway Editions, South Bend.pl_PL
dc.referencesMason Hilary (2010), A Taxonomy of Data Science, http://www.dataists.com/2010/09/a-taxonomy-of-data-science/ (dostęp: 30.07.2018).pl_PL
dc.referencesmasterindatascience (2018), Top 23 Schools with Data Science Master’s Programs, https://www.mastersindatascience.org/schools/23-great-schools-with-masters-programs-in-data-science/ (dostęp: 21.02.2018).pl_PL
dc.referencesMatloff Norman (2017), Norm Matloff’s answer to Will Python take over R?, https://www.quora.com/Will-Python-take-over-R/answer/Norm-Matloff (dostęp: 8.09.2018).pl_PL
dc.referencesMatloff Norman (2020), TidyverseSkeptic: An opinionated view of the Tidyverse «dialect» of the R language, https://github.com/matloff/TidyverseSkeptic#readme (dostęp: 23.10.2020).pl_PL
dc.referencesMatplotlib (2018), Matplotlib: Python plotting – Matplotlib 3.0.2 documentation, https://matplotlib.org/3.0.2/index.html (dostęp: 16.09.2018).pl_PL
dc.referencesMcCarthy John, Minsky Marvin L., Rochester Nathaniel, Shannon Claude E. (1955), Darmouth AI Project Proposal, Darmouth University, Darmouth, http:// www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html (dostęp: 23.10.2020).pl_PL
dc.referencesMcCulloch Gretchen (2019), Coding Is for Everyone – as Long as You Speak English, https://www.wired.com/story/coding-is-for-everyoneas-long-as-you-speak-english/ (dostęp: 10.09.2019).pl_PL
dc.referencesMcKinney Wes (2010), Data Structures for Statistical Computing in Python, [w:] S. van der Walt, J. Millman (red.), Proceedings of the 9th Python in Science Conference, Python in Science Conference, Austin, s. 51–56, https://doi.org/10.25080/ MAJORA-92BF1922-00Apl_PL
dc.referencesMcKinney Wes (2011), pandas: a Foundational Python Library for Data Analysis and Statistics, [w:] PyHPC 2011: Python for High Performance and Scientific Computing, PyHPC, Seattle, https://www.dlr.de/sc/Portaldata/15/Resources/ dokumente/pyhpc2011/submissions/pyhpc2011_submission_9.pdf (dostęp: 23.10.2020).pl_PL
dc.referencesMcKinney Wes (2012), Python for Data Analysis. Data Wrangling With Pandas, NumPy, And IPython, O’Reilly, Sebastopol.pl_PL
dc.referencesMcKinney Wes (2018), About – Wes McKinney, http://wesmckinney.com/pages/about.html (dostęp: 4.12.2018).pl_PL
dc.referencesMeetup (b.d.), https://secure.meetup.com/meetup_api (dostęp: 19.07.2019).pl_PL
dc.referencesMerity Stephen (2017), Bias is not just in our datasets, it’s in our conferences and community, https://smerity.com/articles/2017/bias_not_just_in_datasets.html (dostęp: 10.02.2019).pl_PL
dc.referencesMerritt Jonathan (2018), Sztuczna inteligencja zagrożeniem dla chrześcijaństwa?, „Miesięcznik Znak”, nr 762, s. 52–57.pl_PL
dc.referencesMichel Jean Baptiste, Shen Yuan Kui, Aiden Aviva Presser, Veres Adrian, Gray Matthew K., Pickett Joseph P., Hoiberg Dale, Clancy Dan, Norvig Peter, Orwant Jon, Pinker Steven, Nowak Martin A., Lieberman Aiden Erez (2011), Quantitative Analysis of Culture Using Millions of Digitized Books, „Science”, vol. 331(6014), s. 176–182, https://doi.org/10.1126/science.1199644pl_PL
dc.referencesMicrosoft (2019), Microsoft R Open: The Enhanced R Distribution, https://mran. microsoft.com/open (dostęp: 19.07.2019).pl_PL
dc.referencesMicrosoft Azure (2019), Azure Databricks, https://azure.microsoft.com/pl-pl/services/databricks/ (dostęp: 3.06.2019).pl_PL
dc.referencesMicrosoft Research (2019a), People: danah boyd, https://www.microsoft.com/en-us/research/people/dmb/ (dostęp: 11.02.2019).pl_PL
dc.referencesMicrosoft Research (2019b), People: Kate Crawford, https://www.microsoft.com/ en-us/research/people/kate/#!publications (dostęp: 11.02.2019).pl_PL
dc.referencesMigdał Piotr (2014), Symmetries and self-similarity of many-body wavefunctions, http://arxiv.org/abs/1412.6796 (dostęp: 11.02.2019).pl_PL
dc.referencesMigdał Piotr (2016), From Science to Data Science, a Comprehensive Guide for Transition, https://www.kdnuggets.com/2016/04/data-science-comprehensive-guide-transition.html (dostęp: 3.02.2018).pl_PL
dc.referencesMigdał Piotr (2017), After PyData Warsaw 2017, https://p.migdal.pl/2017/11/15/ after-pydata-warsaw-2017.html (dostęp: 1.12.2017).pl_PL
dc.referencesMigdał Piotr, Jakubanis Rafał (2018), Keras or PyTorch as your first deep learning framework, https://deepsense.ai/keras-or-pytorch/ (dostęp: 17.07.2019).pl_PL
dc.referencesMiller Justin J. (2013), Graph database applications and concepts with Neo4j, „Proceedings of the Southern Association for Information Systems Conference, Atlanta”, no. 2324, s. 141–147.pl_PL
dc.referencesMiller Tim (2019), Explanation in artificial intelligence: Insights from the social sciences, „Artificial Intelligence”, no. 267, s. 1–38, https://doi.org/10.1016/J.ARTINT. 2018.07.007pl_PL
dc.referencesMiloslavskaya Natalia, Tolstoy Alexander (2016), Big Data, Fast Data and Data Lake Concepts, „Procedia Computer Science”, no. 88, s. 300–305, https://doi.org/10.1016/j.procs.2016.07.439pl_PL
dc.referencesMims Christopher (2018), Who Has More of Your Personal Data Than Facebook? Try Google, „The Wall Street Journal”, 22 kwietnia, https://www.wsj.com/articles/ who-has-more-of-your-personal-data-than-facebook-try-google-1524398401 (dostęp: 9.05.2018).pl_PL
dc.referencesMinelli Michael, Dhiraj Ambiga, Chambers Michele (2013), Big Data, Big Analytics. Emerging business intelligence and analytic trends for today’s businesses, John Wiley & Sons, New Jersey.pl_PL
dc.referencesMinisterstwo Cyfryzacji RP (2018a), RODO – Informator, https://www.gov.pl/cyfryzacja/rodo-informator (dostęp: 12.02.2019).pl_PL
dc.referencesMinisterstwo Cyfryzacji RP (2018b), Założenia do strategii AI w Polsce. Plan działań Ministerstwa Cyfryzacji, https://www.gov.pl/documents/31305/436699/ Założenia_do_strategii_AI_w_Polsce_-_raport.pdf/a03eb166-0ce5-e53c-52a4-3bfb903edf0a (dostęp: 12.02.2019).pl_PL
dc.referencesMisal Disha (2018), PyTorch vs Keras: Who Suits You The Best, „Analytics India Magazine”, https://www.analyticsindiamag.com/pytorch-vs-keras-who-suits-you-the-best/ (dostęp: 19.02.2019).pl_PL
dc.referencesMohamed Shakir, Png Marie-Therese, Isaac William (2020), Decolonial AI: Decolonial Theory as Sociotechnical Foresight in Artificial Intelligence, „Philosophy & Technology”, vol. 33(4), s. 659–684, https://doi.org/10.1007/s13347-020-00405-8pl_PL
dc.referencesMolnar Christoph (2018), iml: An R package for Interpretable Machine Learning, „Journal of Open Source Software”, vol. 3(26), 786, https://doi.org/10.21105/ joss.00786pl_PL
dc.referencesMorrison Daniel R. (2016), Mapping to Make Sense of Messy Worlds, „Symbolic Interaction”, vol. 39(3), s. 519–521, https://doi.org/10.1002/symb.237pl_PL
dc.referencesMortimer Steven (2018), Most Starred R Packages on GitHub, https://stevenmortimer.com/most-starred-r-packages-on-github/ (dostęp: 11.07.2018).pl_PL
dc.referencesMorzy Tadeusz (2013), Eksploracja danych. Metody i algorytmy, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesMökander Jakob, Juneja Prathm, Watson David S., Floridi Luciano (2022), The US Algorithmic Accountability Act of 2022 vs. The EU Artificial Intelligence Act: what can they learn from each other?, „Minds and Machines”, no. 32, s. 751–758, https://doi.org/10.1007/s11023-022-09612-ypl_PL
dc.referencesMróz Maciej (2020), Nowy renesans, czyli SI po ludzku, https://www.sztucznainteligencja.org.pl/nowy-renesans-czyli-si-po-ludzku/ (dostęp: 10.03.2020).pl_PL
dc.referencesMuenchen Robert A. (2014), Why R is Hard to Learn, http://r4stats.com/articles/ why-r-is-hard-to-learn/ (dostęp: 21.03.2018).pl_PL
dc.referencesMuenchen Robert A. (2019), The Popularity of Data Science Software, http:// r4stats.com/articles/popularity/ (dostęp: 1.07.2018).pl_PL
dc.referencesMuûlu Kıvanç, Brun Yuriy, Holmes Reid, Ernst Michael D., Notkin David (2012), Speculative analysis of integrated development environment recommendations, „ACM SIGPLAN Notices”, vol. 47(10), s. 669–682, https://doi.org/ 10.1145/2398857.2384665pl_PL
dc.referencesMüller Kirill, Walthert Lorenz (2020), styler: Non-Invasive Pretty Printing of R Code, https://cran.r-project.org/package=styler (dostęp: 10.03.2020).pl_PL
dc.referencesMyoo Sidney (2013), Ontoelektronika, Wydawnictwo Uniwersytetu Jagiellońskiego, Kraków.pl_PL
dc.referencesNaur Peter (1974), Concise Survey of Computer Methods, Studentlitteratur, Lund.pl_PL
dc.referencesNeff Gina, Tanweer Anissa, Fiore-Gartland Brittany, Osburn Laura (2017), Critique and Contribute: A Practice-Based Framework for Improving Critical Data Studies and Data Science, „Big Data”, vol. 5(2), s. 85–97, https://doi.org/10.1089/ big.2016.0050pl_PL
dc.referencesNetflix (2019), How Netflix’s Recommendations System Works, https://help.netflix. com/en/node/100639 (dostęp: 9.07.2019).pl_PL
dc.referencesNeurIPS (2018), Neural Information Processing Systems Foundation. Code of Conduct, https://neurips.cc/public/CodeOfConduct (dostęp: 12.02.2019).pl_PL
dc.referencesNeuwirth Erich (2014), RColorBrewer: ColorBrewer Palettes, https://cran.r-project. org/package=RColorBrewer (dostęp: 9.07.2019).pl_PL
dc.referencesNewton Casey (2019), The Trauma Floor. The secret lives of Facebook moderators in America, https://www.theverge.com/2019/2/25/18229714/cognizant-facebook- content-moderator-interviews-trauma-working-conditions-arizona (dostęp: 26.02.2019).pl_PL
dc.referencesNg Andrew (2017), AI is the new electricity, [w:] AI Frontiers. Applied Deep Learning, Santa Clara, https://nov2017.aifrontiers.com/#speakers (dostęp: 16.03.2018).pl_PL
dc.referencesNg Andrew (2018a), About – Andrew Ng, https://www.andrewng.org/about/ (dostęp: 21.01.2018).pl_PL
dc.referencesNg Andrew (2018b), Yann LeCun Interview – Foundations of Convolutional Neural Networks, https://www.coursera.org/lecture/convolutional-neural-networks/ yann-lecun-interview-4PnfT (dostęp: 23.10.2018).pl_PL
dc.referencesNg Andrew (b.d.), Andrew Ng’s Home page, http://ai.stanford.edu/~ang/original- Homepage.html (dostęp: 21.01.2018).pl_PL
dc.referencesNg Andrew, Widom Jennifer (2014), Origins of the Modern MOOC (xMOOC), [w:] F.M. Hollands, D. Tirthali (red.), MOOCs: excpectations and reality. Full report, Columbia University, New York, s. 34–47.pl_PL
dc.referencesNg Andrew Y., Zheng Alice X., Jordan Michael I. (2001), Stable algorithms for link analysis, [w:] Proceedings of the 24th annual international ACM SIGIR conference on Research and development in information retrieval – SIGIR ’01, ACM Press, New York, s. 258–266.pl_PL
dc.referencesNguyen Clinton (2016), China might use data to create a score for each citizen based on how trustworthy they are, https://www.businessinsider.com/china-social-credit-score-like-black-mirror-2016-10?IR=T (dostęp: 21.01.2019).pl_PL
dc.referencesNicolaus Henke, Bughin Jacques, Chui Michael, Manyika James, Saleh Tamim, Wiesman Bill, Sethupathy Guru (2016), The age of analytics: Competing in a data- driven world, https://www.mckinsey.com/business-functions/mckinsey-an-alytics/our-insights/the-age-of-analytics-competing-in-a-data-driven-world (dostęp: 21.01.2018).pl_PL
dc.referencesNiedbalski Jakub (red.) (2014), Metody i techniki odkrywania wiedzy. Narzędzia CAQDAS w procesie analizy danych jakościowych, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.pl_PL
dc.referencesNissenbaum Helen (2001), How Computer Systems Embody Values, „IEEE Computer”, no. 120, s. 118–119.pl_PL
dc.referencesNorén Laura (2018), Ethics of Data Science, syllabus, New York University, New York, https://cdt.org/wp-content/uploads/2018/07/Ethics-of-Data-Science.pdf (dostęp: 14.12.2018).pl_PL
dc.referencesNorthpointe Inc. (2012), Practitioners Guide to COMPAS, http://www.northpointeinc. com/files/technical_documents/FieldGuide2_081412.pdf (dostęp: 3.04.2017).pl_PL
dc.referencesNorvig Peter (1987), A Unified Theory of Inference for Text Understanding, University of California, Berkeley.pl_PL
dc.referencesNorvig Peter (2001), Teach Yourself Programming in Ten Years, http://norvig.com/ 21-days.html (dostęp: 13.04.2018).pl_PL
dc.referencesNorvig Peter (2012), Colorless Green Ideas Learn Furiously: Chomsky and the Two Cultures of Statistical Learning, „Significance”, vol. 9(4), s. 30–33, https://doi.org/10.1111/j.1740-9713.2012.00590.xpl_PL
dc.referencesNorvig Peter (2018), Peter Norvig – Resume, http://norvig.com/resume.html (dostęp: 4.03.2018).pl_PL
dc.referencesNowosad Jakub (2019), Elementarz programisty. Wstęp do programowania używając R, Wydawnictwo Space A, Poznań.pl_PL
dc.referencesNumFOCUS (2018), NumFOCUS: Open Code = Better Science, https://numfocus. org/ (dostęp: 3.12.2018).pl_PL
dc.referencesNunns James (2017), How Python rose to the top of the data science world, „Computer Business Review”, https://techmonitor.ai/technology/data/python-rose-top-data-science-world (dostęp: 2.10.2018).pl_PL
dc.referencesNurczyk Ewelina, Ramza Barbara (2017), Zawody przyszłości: Data Scientist, „Kariera w Finansach i Bankowości” nr 2017/2018, s. 26–30.pl_PL
dc.referencesNYU Center for Data Science (2013), Yann LeCun Appointed Director of NYU Center for Data Science, https://cds.nyu.edu/yann-lecun-appointed-director-of-nyu-center-for-data-science/ (dostęp: 19.09.2018).pl_PL
dc.referencesO’Connor Brendan O., Bamman David, Smith Noah A. (2011), Computational Text Analysis for Social Science: Model Assumptions and Complexity, „Second Workshop on Computational Social Science and Wisdom of the Crowds” (NIPS 2011), s. 1–8, http://people.cs.umass.edu/~wallach/workshops/nips2011css/papers/ OConnor.pdf (dostęp: 2.10.2018).pl_PL
dc.referencesO’Neil Cathy (2013), On Being a Data Skeptic, O’Reilly, Sebastopol.pl_PL
dc.referencesO’Neil Cathy (2017), Broń matematycznej zagłady. Jak algorytmy zwiększają nierówności i zagrażają demokracji, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesO’Neil Cathy, Schutt Rachel (2015), Badanie danych: raport z pierwszej linii działań, Wydawnictwo Helion, Gliwice.pl_PL
dc.referencesObem Anna (2018), Nowa afera, stare wyzwania, https://cyfrowa-wyprawka.org/ aktualnosci/nowa-afera-stare-wyzwania (dostęp: 24.04.2018).pl_PL
dc.referencesObem Anna (2020), Co możesz zrobić po obejrzeniu Social Dilemma (poza wyrzuceniem telefonu)?, https://panoptykon.org/spoleczny-dylemat (dostęp: 12.10.2020).pl_PL
dc.referencesOECD (2015), Does Math Make You Anxious?, „PISA in Focus”, no. 02, s. 1–4, https://doi.org/10.1787/5js6b2579tnx-enpl_PL
dc.referencesOhlhorst Frank J. (2013), Big Data Analytics: Turning Big Data into Big Money, Wiley, New York.pl_PL
dc.referencesOliphant Travis E. (2006), A guide to NumPy, Trelgol Publishing, USA.pl_PL
dc.referencesOliphant Travis E. (2007), Python for Scientific Computing, „Computing in Science & Engineering”, vol. 9(3), s. 10–20.pl_PL
dc.referencesOliphant Travis E., Manduca Armando, Ehman Richard L., Greenleaf James F. (2001), Complex-valued stiffness reconstruction for magnetic differential equation, „Magnetic Resonance in Medicine”, no. 45, s. 299–310, https://doi. org/10.1002/1522-2594(200102)45:2<299::AID-MRM1039>3.0.CO;2-Opl_PL
dc.referencesOlszewski Adrian (2017), Will Python take over R?, https://www.quora.com/Will-Python-take-over-R/answer/Adrian-Olszewski- (dostęp: 18.09.2018).pl_PL
dc.referencesOlszewski Adrian (2018), Why do so many statisticians not want to become data scientists? Why are they not interested in Big Data?, https://www.quora.com/Why-do-so-many-statisticians-not-want-to-become-data-scientists-Why-are-they-not-interested-in-Big-Data/answer/Adrian-Olszewski-1 (dostęp: 8.09.2018).pl_PL
dc.referencesOnalytica (2017), Big Data 2017: Top 100 Influencers And Brands, http://www.onalytica. com/wp-content/uploads/2017/05/Onalytica-Big-Data-Top-100-Influencers- and-Brands.pdf (dostęp: 5.01.2019).pl_PL
dc.referencesOnalytica (2018), Data Science: Top 100 Influencers, Brands & Publications, http:// www.onalytica.com/wp-content/uploads/2018/04/Onalytica-Data-Science-Top-100-Influencers-Brands-and-Publications.pdf (dostęp: 5.01.2019).pl_PL
dc.referencesOoms Jeroen (2014), The jsonlite Package: A Practical and Consistent Mapping Between JSON Data and R Objects, http://arxiv.org/abs/1403.2805 (dostęp: 5.01.2019).pl_PL
dc.referencesOord Aaron van den, Dieleman Sander, Schrauwen Benjamin (2013), Deep content- based music recommendation, [w:] C.J.C. Burges, L. Bottou, M. Welling, Z. Ghahramani, K.Q. Weinberger (red.), Advances in Neural Information Processing Systems 26, Curran Associates, Inc., Lake Tahoe, s. 2643–2651, http:// papers.nips.cc/paper/5004-deep-content-based-music-recommendation.pdf (dostęp: 5.01.2019).pl_PL
dc.referencesOrsini Lauren (2014), Why Python Makes A Great First Programming Language, ReadWrite, https://readwrite.com/2014/07/08/what-makes-python-easy-to-learn/ (dostęp: 25.07.2019).pl_PL
dc.referencesOsowski Stanisław (2006), Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.pl_PL
dc.referencesOsowski Stanisław (2013), Metody i narzędzia eksploracji danych, Wydawnictwo BTC, Warszawa.pl_PL
dc.referencesOzimek Adam (2017), The Paradox Of Robots Taking All Our Jobs, „Forbes”, 28 października, https://www.forbes.com/sites/modeledbehavior/2017/10/28/the-paradox-of-robots-taking-all-our-jobs/#1f8e16501274 (dostęp: 14.02.2018).pl_PL
dc.referencesOżóg Maciej (2009), Transgresje panoptykonu. Nadzór w dobie technologii cyfrowych, „Kultura Współczesna”, nr 2(60), s. 14–30.pl_PL
dc.referencesOżóg Maciej (2018), Życie w krzemowej klatce, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.pl_PL
dc.referencesPaharia Rajat (2014), Lojalność 3.0: jak zrewolucjonizować zaangażowanie klientów i pracowników dzięki big data i rywalizacji, Wydawnictwo MT Biznes Ltd., Warszawa.pl_PL
dc.referencesPaliszkiewicz Joanna (2018), Kreowanie w mediach społecznościowych wizerunku kandydata do pracy na przykładzie portalu LinkedIn, „Zarządzanie Zasobami Ludzkimi”, nr 5(124), s. 79–91.pl_PL
dc.referencesPaprocki Wojciech (2016), Cyfryzacja gospodarki i społeczeństwa – szanse i wyzwania dla sektorów infrastrukturalnych, [w:] W. Paprocki, J. Grajewski, J. Pieriegud (red.), Cyfryzacja gospodarki i społeczeństwa, Europejski Kongres Finansowy, Gdańsk, s. 39–57.pl_PL
dc.referencesPascnau Razovan, Patraucean Victoria, Precup Doina (2018), Transylvanian Machine Learning Summer School (TMLSS). Summary of the first edition, https:// drive.google.com/file/d/1Bcuzv9MM-U3CG_QLA63zzGB1E3zfjUgQ/view (dostęp: 25.07.2019).pl_PL
dc.referencesPaszke Adam, Gross Sam, Chintala Soumith, Chanan Gregory, Yang Edward, De- Vito Zachary, Lin Zeming, Desmaison Alban, Antiga Luca, Lerer Adam (2017), Automatic differentiation in PyTorch, 31st Conference on Neural Information Processing Systems (NIPS 2017), https://openreview.net/pdf?id=BJJsrmfCZ (dostęp: 14.02.2018).pl_PL
dc.referencesPaulson Linda Dailey (2007), Developers Shift to Dynamic Programming Languages, „Computer”, vol. 40(2), s. 12–15.pl_PL
dc.referencesPavlicek Antonin, Sudzina Frantisek, Malinova Ludmila (2017), Impact of Gender and Personality Traits (Bfi-10) on Tech Savviness, „Idimt-2017 – Digitalization in Management, Society and Economy”, no. 46, s. 195–199.pl_PL
dc.referencesPebesma Edzer (2018), Simple Features for R: Standardized Support for Spatial Vector Data, „The R Journal”, vol. 10(1), s. 439–446, https://doi.org/10.32614/RJ-2018-009pl_PL
dc.referencesPedregosa Fabian (2015), Feature extraction and supervised learning on fMRI: from practice to theory, praca doktorska, Université Pierre et Marie Curie, https://tel. archives-ouvertes.fr/tel-01100921 (dostęp: 25.07.2019).pl_PL
dc.referencesPedregosa Fabian (2018), About me, http://fa.bianp.net/pages/about.html (dostęp: 4.12.2018).pl_PL
dc.referencesPedregosa Fabian, Bach Francis, Gramfort Alexandre (2014), On the Consistency of Ordinal Regression Methods, „Journal of Machine Learning Research”, vol. 18(55), s. 1–35, http://jmlr.org/papers/v18/15-495.html (dostęp: 25.07.2019).pl_PL
dc.referencesPedregos, Fabian, Leblond Rémi, Lacoste-Julien Simon (2017), Breaking the Nonsmooth Barrier: A Scalable Parallel Method for Composite Optimization, 31st Conference on Neural Information Processing Systems (NIPS 2017), https:// proceedings.neurips.cc/paper/2017/file/072b030ba126b2f4b2374f342be9ed44-Paper.pdf (dostęp: 4.12.2018).pl_PL
dc.referencesPedregosa Fabian, Varoquaux Gaël, Gramfort Alexandre, Michel Vincent, Thirion Bertrand, Grisel Olivier, Blondel Mathieu, Prettenhofer Peter, Weiss Ron, Dubourg Vincent, Vanderplas Jake, Passos Alexandre, Cournapeau David, Brucher Matthiew, Perrot Matthieu, Duchesnay Édouard (2011), Scikit-learn: Machine Learning in {P}ython, „Journal of Machine Learning Research”, no. 12, s. 2825–2830.pl_PL
dc.referencesPeng Roger D. (2011a), Reproducible Research in Computational Science, „Science”, vol. 334(6060), s. 1226–1227, https://doi.org/10.1126/science.1213847pl_PL
dc.referencesPentland Alex (2009), Reality Mining of Mobile Communications: Toward a New Deal on Data, [w:] INSEAD (red.), The Global Information Technology Report. Mobility in a Networked World, World Economic Forum, Genewa, s. 75–80, http://hd.media.mit.edu/wef_globalit.pdf (dostęp: 25.07.2019).pl_PL
dc.referencesPentland Alex, Heibeck Tracy (2008), Honest Signals. How They Shape Our World, The MIT Press, Cambridge.pl_PL
dc.referencesPérez Fernando, Granger Brian E. (2007), IPython: A System for Interactive Scientific Computing, „Computing in Science and Engineering”, vol. 9(3), s. 21–29, https://doi.org/10.1109/MCSE.2007.53pl_PL
dc.referencesPérez Fernando, Granger Brian E. (2015), Project Jupyter: Computational Narratives as the Engine of Collaborative Data Science, http://archive.ipython.org/ JupyterGrantNarrative-2015.pdf (dostęp: 4.12.2018).pl_PL
dc.referencesPeterson Brian G., Carl Peter (2020), PerformanceAnalytics: Econometric Tools for Performance and Risk Analysis, https://cran.r-project.org/package=PerformanceAnalytics (dostęp: 25.07.2019).pl_PL
dc.referencesPetrov Dmitry (2017), How A Data Scientist Can Improve His Productivity – Data Version Control, https://blog.dataversioncontrol.com/how-a-data-scientist-can-improve-his-productivity-730425ba4aa0 (dostęp: 9.08.2019).pl_PL
dc.referencesPiatetsky Gregory (2017), Python overtakes R, becomes the leader in Data Science, Machine Learning platforms, https://www.kdnuggets.com/2017/08/ python-overtakes-r-leader-analytics-data-science.html (dostęp: 3.08.2018).pl_PL
dc.referencesPiatetsky Gregory (2018a), Data Scientist – best job in America, 3 years in a row, https://www.kdnuggets.com/2018/01/glassdoor-data-scientist-best-job-america-3years.html (dostęp: 3.02.2018).pl_PL
dc.referencesPiatetsky Gregory (2018b), Here are the most popular Python IDEs / Editors, https:// www.kdnuggets.com/2018/12/most-popular-python-ide-editor.html (dostęp: 17.07.2019).pl_PL
dc.referencesPiatetsky Gregory (2018c), Python eats away at R: Top Software for Analytics, Data Science, Machine Learning in 2018: Trends and Analysis, https://www.kdnuggets. com/2018/05/poll-tools-analytics-data-science-machine-learning-results. html/2 (dostęp: 25.11.2018).pl_PL
dc.referencesPiatetsky Gregory (2018d), The 6 components of Open-Source Data Science / Machine Learning Ecosystem; Did Python declare victory over R?, https://www. kdnuggets.com/2018/06/ecosystem-data-science-python-victory.html (dostęp: 25.03.2019).pl_PL
dc.referencesPiotrowski Andrzej (1998), Ład interakcji. Studia z socjologii interpretatywnej, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.pl_PL
dc.referencesPolanyi Michael (2005), Personal Knowledge. Towards a Post-Critical Philosophy, Routledge, London.pl_PL
dc.referencesPontificia Accademia per la Vita (2020a), renAIssance – Rome Call for AI Ethics, http://www.academyforlife.va/content/pav/en/events/intelligenza-artificiale. html (dostęp: 10.03.2020).pl_PL
dc.referencesPontificia Accademia per la Vita (2020b), Rome Call for AI Ethics, Vatican, https:// www.romecall.org/wp-content/uploads/2022/03/RomeCall_Paper_web.pdf (dostęp: 5.03.2020).pl_PL
dc.referencesPortmess Lisa, Tower Sara (2015), Data barns, ambient intelligence and cloud computing: the tacit epistemology and linguistic representation of Big Data, „Ethics and Information Technology”, vol. 17(1), s. 1–9, https://doi.org/10.1007/s10676-014-9357-2pl_PL
dc.referencesPostman Neil (2004), Technolpol. Triumf techniki nad kulturą, Wydawnictwo Muza, Warszawa.pl_PL
dc.referencesPowers David M.W. (2007), Evaluation: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation, Flinders University, Adelaide, http://david.wardpowers.info/BM/Evaluation_SIETR.pdf (dostęp: 10.03.2020).pl_PL
dc.referencesPrendki Jennifer (2018), Before you launch your machine learning model, start with an MVP, https://venturebeat.com/2018/11/24/before-you-launch-your-machine-learning-model-start-with-an-mvp/ (dostęp: 30.03.2019).pl_PL
dc.referencesPress Gil (2018), The Brute Force Of IBM Deep Blue And Google DeepMind, „Forbes”, 7 stycznia, https://www.forbes.com/sites/gilpress/2018/02/07/the-bruteforce-of-deep-blue-and-deep-learning/#741dad3249e3 (dostęp: 10.07.2019).pl_PL
dc.referencesPrinceton Alumni Weekly (2012), John D. Hunter ’90, https://paw.princeton.edu/ memorial/john-d-hunter-’90 (dostęp: 4.10.2018).pl_PL
dc.referencesProkulski Łukasz (2017), Ankieta – wyniki (i jak je podsumować w R), https://blog. prokulski.science/index.php/2017/10/17/ankieta-wyniki/ (dostęp: 14.11.2017).pl_PL
dc.referencesProkulski Łukasz (2019), Analiza ofert pracy. Ile jest pracy dla ludzi zajmujących się analizą danych i machine learningiem?, https://blog.prokulski.science/index. php/2019/02/18/analiza-ofert-pracy/#more-2093 (dostęp: 12.06.2019).pl_PL
dc.referencesProvost Foster, Fawcett Tom (2013), Data Science and its Relationship to Big Data and Data-Driven Decision Making, „Big Data”, vol. 1(1), s. 51–59, https://doi. org/10.1089/big.2013.1508pl_PL
dc.referencesPrzanowski Karol (2014), Credit Scoring w erze Big Data, Oficyna Wydawnicza Szkoła Główna Handlowa w Warszawie, Warszawa.pl_PL
dc.referencesPrzegalińska Aleksandra (2014), Nawroty bylejakości, „dwutygodnik.com”, nr 10(144).pl_PL
dc.referencesPrzegalińska Aleksandra (2015), Jeśli nie neoluddyzm, to co?, „Res Publica Nova”, nr 3(221), https://publica.pl/teksty/jesli-nie-neoluddyzm-to-co-52814.html (dostęp: 14.11.2017).pl_PL
dc.referencesPrzegalińska Aleksandra (2016a), Ciało i umysł – wstęp kuratorski, [w:] E. Drygalska (red.), Interfejsy, kody, symbole. Przyszłość komunikowania, Miasto Przyszłości/Laboratorium Wrocław, Wrocław, s. 11–19.pl_PL
dc.referencesPrzegalińska Aleksandra (2016b), Istoty wirtualne. Jak fenomenologia zmieniała sztuczną inteligencję, Towarzystwo Autorów i Wydawców Prac Naukowych Universitas, Kraków.pl_PL
dc.referencesPrzegalińska Aleksandra (2016c), Konflikt generacyjny wśród botów: między ELIZĄ, Cleverbotem a Tay, [w:] V. Kuś (red.), Live’Bot, E-naukowiec, Bydgoszcz, s. 10–14.pl_PL
dc.referencesPrzegalińska Aleksandra, Ciechanowski Leon, Magnuski Mikołaj, Gloor Peter (2018), Muse Headband: Measuring Tool or a Collaborative Gadget?, [w:] F. Grippa, J. Leitão, J. Gluesing, K. Riopelle, P. Gloor (red.), Collaborative Innovation Networks: Building Adaptive and Resilient Organizations, Springer International Publishing, Cham, s. 93–101.pl_PL
dc.referencesPrzybyłowska Ilona (1978), Wywiad swobodny ze standaryzowaną listą poszukiwanych informacji i możliwości jego zastosowania w badaniach socjologicznych, „Przegląd Socjologiczny”, nr 30, s. 53–63.pl_PL
dc.referencesPuschmann Cornelius, Burgess Jean (2014), Metaphors of big data, „International Journal of Comunication”, no. 8, s. 1690–1709.pl_PL
dc.referencesPwC (2015), What’s next for the 2017 data science and analytics job market?, https:// www.pwc.com/us/en/publications/data-science-and-analytics.html (dostęp: 10.02.2018).pl_PL
dc.referencesPyData (2018), PyData Warsaw 2018, https://pydata.org/warsaw2018/ (dostęp: 14.08.2018).pl_PL
dc.referencesPyLadies (2019), About: PyLadies, https://www.pyladies.com/about/ (dostęp: 12.02.2019).pl_PL
dc.referencesPyszczuk Artur (2011), Programowanie w Bashu, czyli jak pisać skrypty w Linuksie, https://www.arturpyszczuk.pl/files/bash/bash.pdf (dostęp: 5.06.2019).pl_PL
dc.referencesPython Software Foundation (2019), Search results PyPI, https://pypi.org/search/? c=Intended+Audience+%3A%3A+Science%2FResearch&o=-created&q=&page=1 (dostęp: 16.07.2019).pl_PL
dc.referencesR Foundation (2019), CRAN – Contributed Packages, https://cran.r-project.org/ web/packages/ (dostęp: 16.07.2019).pl_PL
dc.referencesR-Ladies (2019), About us – R-Ladies Global, https://rladies.org/about-us/ (dostęp: 12.02.2019).pl_PL
dc.referencesRadomski Andrzej, Bomba Radosław (2013), Zwrot cyfrowy w humanistyce. Internet, nowe media, kultura 2.0, http://www.sbc.org.pl/dlibra/doccontent?id=77488 (dostęp: 4.02.2018).pl_PL
dc.referencesRaji Inioluwa Deborah, Smart Andrew, White Rebecca N., Mitchell Margaret, Gebru Timnit, Hutchinson Ben, Smith-Loud Jamila, Theron Daniel, Barnes Parker (2020), Closing the AI accountability gap, [w:] Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, ACM, New York, s. 33–44.pl_PL
dc.referencesRajpurkar Pranav, Irvin Jeremy, Ball Robyn L., Zhu Kaylie, Yang Brandon, Mehta Hershel, Duan Tony, Ding Daisy, Bagul Aarti, Langlotz Curtis P., Patel Bhavik N., Yeom Kristen W., Shpanskaya Katie, Blankenberg Francis G., Seekins Jayne, Amrhein Timothy J., Mong David A., Halabi Safwan S., Zucker Evan J., Ng Andrew, Lungren Matthew P. (2018), Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists, „PLOS Medicine”, vol. 15(11), e1002686, https://doi.org/10.1371/ journal.pmed.1002686pl_PL
dc.referencesRaschka Sebastian (2018), Python. Uczenie maszynowe, Wydawnictwo Helion, Gliwice.pl_PL
dc.referencesRath Matthias (2018), Data Science – die neue Leitwissenschaft?, [w:] T. Knubben, E. Schols, U. Braun (red.), Weltkulturatlas. Kultur in Zeit der Globalisierung. Daten, Geschichten, Grafiken, av Edition, Stuttgart, s. 21–37.pl_PL
dc.referencesRatner Alexander, Bach Stephen H., Ehrenberg Henry, Fries Jason, Wu Sen, Ré Christopher (2017), Snorkel: rapid training data creation with weak supervision, „Proceedings of the VLDB Endowment”, vol. 11(3), s. 269–282, https://doi. org/10.14778/3157794.3157797pl_PL
dc.referencesRaymond Eric S. (2001), The cathedral and the bazaar, [w:] E.S. Raymond (red.), In the Cathedral and the Bazaar: Musings on Linux and Open Source by an Accidental Revolutionary, O’Reilly, Sebastopol, s. 16–64.pl_PL
dc.referencesReitz Kenneth (2018), Python Guide Documentation Release 0.0.1, https://buildmedia. readthedocs.org/media/pdf/python-guide/latest/python-guide.pdf (dostęp: 12.02.2019).pl_PL
dc.referencesRENOIR (2018), RENOIR Project, http://renoirproject.eu/ (dostęp: 21.02.2018).pl_PL
dc.referencesReshama Shaikh (2018), Why Women Are Flourishing In R Community But Lagging In Python, https://reshamas.github.io/why-women-are-flourishing-in-rcommunity- but-lagging-in-python/ (dostęp: 12.12.2018).pl_PL
dc.referencesRexer Analytics (2018), Data Science Survey, http://www.rexeranalytics.com/data-science-survey.html (dostęp: 1.02.2018).pl_PL
dc.referencesRibeiro Marco Tulio, Singh Sameer, Guestrin Carlos (2016), ‘Why Should I Trust You?’ Explaining the Predictions of Any Classifier, [w:] Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, New York, s. 1135–1144.pl_PL
dc.referencesRichardson Rashida, Schultz Jason, Crawford Kate (2019), Dirty Data, Bad Predictions: How Civil Rights Violations Impact Police Data, Predictive Policing Systems, and Justice, „New York University Law Review Online”, styczeń, s. 192–233.pl_PL
dc.referencesRobertson Adi (2019), The 5 biggest announcements from Facebook’s F8 developer conference keynote, https://www.theverge.com/2019/4/30/18524068/facebookf8- 2019-keynote-highlights-summary-news-feed-messenger-instagram-oculus (dostęp: 20.05.2019).pl_PL
dc.referencesRodak Olga (2017), Twitter jako przedmiot badań socjologicznych i źródło danych społecznych: perspektywa konstruktywistyczna, „Studia Socjologiczne”, nr 3(226), s. 209–236.pl_PL
dc.referencesRogozhnikov Alex (2016), Jupyter (IPython) notebooks features, https://arogozhnikov. github.io/2016/09/10/jupyter-features.html (dostęp: 22.07.2019).pl_PL
dc.referencesRossum Guido van (1997), Comparing Python to Other Languages, https://www. python.org/doc/essays/comparisons/ (dostęp: 16.07.2019).pl_PL
dc.referencesRothenberger Lea, Fabian Benjamin, Arunov Elmar (2019), Relevance of Ethical Guidelines for Artificial Intelligence – a Survey and Evaluation, „European Conference on Information Systems”, maj, s. 1–11.pl_PL
dc.referencesRStudio (2018a), About us, https://www.rstudio.com/about/ (dostęp: 26.07.2018).pl_PL
dc.referencesRStudio (2018b), RStudio – RStudio Products, https://www.rstudio.com/products/rstudio/ (dostęp: 27.11.2018).pl_PL
dc.referencesRStudio Team (2016), RStudio: Integrated Development Environment for R, http:// www.rstudio.com/ (dostęp: 27.11.2018).pl_PL
dc.referencesRStudio Team (2017), RStudio IDE: Cheat Sheet, https://www.rstudio.org/links/ ide_cheat_sheet (dostęp: 27.11.2018).pl_PL
dc.referencesRumelhart David E., Hinton Geoffrey E., Williams Ronald J. (1986), Learning representations by back-propagating errors, „Nature”, vol. 323(6088), s. 533–536, https://doi.org/10.1038/323533a0pl_PL
dc.referencesRussel Stuart J., Norvig Peter (2009), Artificial Intelligence: A Modern Approach, Prentice Hall, New Jersey.pl_PL
dc.referencesRybicki Jan, Eder Maciej (2011), Deeper Delta across genres and languages: do we really need the most frequent words?, „Literary and Linguistic Computing”, vol. 26(3), s. 315–321, https://doi.org/10.1093/llc/fqr031pl_PL
dc.referencesRyciak Norbert (2019), Danetyka, czyli o polskim tłumaczeniu Data Science, https:// www.kodolamacz.pl/blog/data-science-po-polsku/ (dostęp: 22.01.2020).pl_PL
dc.referencesSadowski Jathan (2019), When data is capital: Datafication, accumulation, and extraction, „Big Data & Society”, vol. 6(1), 205395171882054, https://doi. org/10.1177/2053951718820549pl_PL
dc.referencesSaltz Jeff (2019), Ethics in Data Science Projects: Current Practices and Perceptions, [w:] Proceedings of the 27th European Conference on Information Systems (ECIS), Stockholm & Uppsala, Sweden, June 8–14, 2019, Research-in-Progress Papers, no. 68, https://aisel.aisnet.org/ecis2019_rip/68 (dostęp: 27.11.2019).pl_PL
dc.referencesSato Kaz (2016), How a Japanese cucumber farmer is using deep learning and Tensor- Flow, https://cloud.google.com/blog/products/gcp/how-a-japanese-cucumber-farmer-is-using-deep-learning-and-tensorflow?authuser=0 (dostęp: 14.06.2019).pl_PL
dc.referencesSatyaseel Harshit (2018), Most Popular Python Libraries for Data Science in 2018, https://www.technotification.com/2018/09/popular-python-libraries-data-science.html (dostęp: 1.10.2018).pl_PL
dc.referencesSavage Mike, Halford Susan (2017), Speaking Sociologically with Big Data: Symphonic Social Science and the Future for Big Data Research, „Sociology”, vol. 51(6), s. 1132–1148, https://doi.org/10.1177/0038038517698639pl_PL
dc.referencesSaxena Ashutosh, Sun Min, Ng Andrew (2009), Make3D: Learning 3D Scene Structure from a Single Still Image, „IEEE Transactions on Pattern Analysis and Machine Intelligence”, vol. 31(5), s. 824–840, https://doi.org/10.1109/TPAMI. 2008.132pl_PL
dc.referencesSchmidhuber Jürgen (2015), Deep learning in neural networks: An overview, „Neural Networks”, no. 61, s. 85–117, https://doi.org/10.1016/j.neunet.2014.09.003pl_PL
dc.referencesSchmidt Eric, Rosenberg Jonathan, Eagle Alan (2014), Jak działa Google, Wydawnictwo Insignis Media, Kraków.pl_PL
dc.referencesSchulze Elizabeth (2019), 40% of A.I. start-ups in Europe have almost nothing to do with A.I., research finds, https://www.cnbc.com/2019/03/06/40-percent-ofai- start-ups-in-europe-not-related-to-ai-mmc-report.html (dostęp: 2.04.2019).pl_PL
dc.referencesSchutten Gerrit-Jan, Chan Chung-hong, Leeper Thomas J., Foster John, Oller Sergio, Hester Jim, Watts Stephen, Katossky Arthur, Malavin Stas, Garmonsway Duncan, Mahmoudian Mehrad, Kerlogue Matt, Steuer Detlef, Lauer Michal (2020), readODS: Read and Write ODS Files, https://cran.r-project.org/package=readODS (dostęp: 1.03.2021).pl_PL
dc.referencesSchwartz Mattathias (2017), Facebook User Data Harvested by Cambridge Analytica, https://theintercept.com/2017/03/30/facebook-failed-to-protect-30-million- users-from-having-their-data-harvested-by-trump-campaign-affiliate/ (dostęp: 1.02.2019).pl_PL
dc.referencesscikit-learn (2018), About us – scikit-learn 0.20.1 documentation, https://scikitlearn. org/stable/about.html#citing-scikit-learn (dostęp: 4.07.2018).pl_PL
dc.referencesSciPy.org (b.d.), https://scipy.org/index.html (dostęp: 13.08.2018).pl_PL
dc.referencesScriptol.com (2006), List of Hello World Programs in 200 Programming Languages, https://www.scriptol.com/programming/hello-world.php (dostęp: 15.07.2019).pl_PL
dc.referencesSefala Raesetje, Gebru Timnit, Moorosi Nyalleng, Klein Richard (2021), Constructing a Visual Dataset to Study the Effects of Spatial Apartheid in South Africa, [w:] Thirty-fifth Conference on Neural Information Processing Systems Datasets and Benchmarks Track (Round 2), https://openreview.net/forum?id=WV0waZz9dTF (dostęp: 13.08.2018).pl_PL
dc.referencesSekercioglu Eser (2018), For data science, which will die first: R or Python?, https:// www.quora.com/For-data-science-which-will-die-first-R-or-Python/answer/Eser-Sekercioglu (dostęp: 8.09.2018).pl_PL
dc.referencesSharif Bonita, Maletic Jonathan I. (2010), An Eye Tracking Study on camelCase and under_score Identifier Styles, [w:] 2010 IEEE 18th International Conference on Program Comprehension, IEEE, Braga, s. 196–205, http://ieeexplore.ieee.org/ document/5521745/ (dostęp: 13.08.2018).pl_PL
dc.referencesSharp Sight (2016), Data Science Crash Course, http://www.sharpsightlabs.com/ (dostęp: 5.11.2017).pl_PL
dc.referencesSharp Sight (2018), R vs Python... which to learn for data science, https://www. sharpsightlabs.com/blog/r-vs-python/ (dostęp: 14.08.2018).pl_PL
dc.referencesShaw Zed A. (2014), Learn Python the Hard Way: a very simple introduction to the terrifyingly beautiful world of computers and code, Addison-Wesley, Donnelley.pl_PL
dc.referencesShead Sam (2018), ‘NIPS’ AI Conference Changes Name, Kind Of, „Forbes”, 21 listopada, https://www.forbes.com/sites/samshead/2018/11/21/nips-ai-conference-changes-name-kind-of/#8020bc73bc15 (dostęp: 10.02.2019).pl_PL
dc.referencesShiab Nael (2015), On the Ethics of Web Scraping and Data Journalism, https://gijn. org/2015/08/12/on-the-ethics-of-web-scraping-and-data-journalism/ (dostęp: 5.02.2018).pl_PL
dc.referencesShibutani Tamotsu (1955), Reference Groups as Perspectives, „American Journal of Sociology”, vol. 60(6), s. 562–569, https://doi.org/10.1086/221630pl_PL
dc.referencesSilaparasetty Vinita (2018), Python vs R for Machine Learning, [w:] International Conference on Security, Garden City University, Bangalore, s. 1–19.pl_PL
dc.referencesSilge Julia, Robinson David (2018), Text Mining with R: A Tidy Approach, O’Reilly, Boston, https://www.tidytextmining.com/ (dostęp: 10.02.2019).pl_PL
dc.referencesSilver David, Hubert Thomas, Schrittwieser Julian, Antonoglou Ioannis, Lai Matthew, Guez Arthur, Lanctot Marc, Sifre Laurent, Kumaran Dharshan, Graepel Thore, Lillicrap Timothy, Simonyan Karen, Hassabis Demis (2018), A general reinforcement learning algorithm that masters chess, shogi, and Go through self- -play, „Science”, vol. 362(6419), s. 1140–1144, https://doi.org/10.1126/science. aar6404pl_PL
dc.referencesSilver David, Schrittwieser Julian, Simonyan Karen, Antonoglou Ioannis, Huang Aja, Guez Arthur, Hubert Thomas, Baker Lucas, Lai Matthew, Bolton Adrian, Chen Yutian, Lillicrap Timothy, Hui Fan, Sifre Laurent, Driessche George van den, Graepel Thore, Hassabis Demis (2017), Mastering the game of Go without human knowledge, „Nature”, vol. 550(7676), s. 354–539, https://doi.org/10.1038/ nature24270pl_PL
dc.referencesSilver David, Huang Aja, Maddison Chris J., Guez Arthur, Sifre Laurent, Van Den Driessche George, Schrittwieser Julian, Antonoglou Ioannis, Panneershelvam Veda, Lanctot Marc, Dieleman Sander, Grewe Dominik, Nham John, Kalchbrenner Nal, Sutskever Ilya, Lillicrap Timothy, Leach Madeleine, Kavukcuoglu Koray, Graepel Thore, Hassabis Demis (2016), Mastering the game of Go with deep neural networks and tree search, „Nature”, vol. 529(7587), https://doi. org/10.1038/nature16961pl_PL
dc.referencesSilverman David (2010), Prowadzenie badań jakościowych, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesSimonite Tom (2018), AI Researchers Fight Over Four Letters: NIPS, https://www. wired.com/story/ai-researchers-fight-over-four-letters-nips/ (dostęp: 12.02.2019).pl_PL
dc.referencesSingularity University (2018) Peter Norvig – Mentor – Singularity University, https://su.org/mentors/peter-norvig/ (dostęp: 1.08.2018).pl_PL
dc.referencesSkeet Jon (2010), Writing the perfect question, https://codeblog.jonskeet. uk/2010/08/29/writing-the-perfect-question/ (dostęp: 9.09.2019).pl_PL
dc.referencesSkura Małgorzata, Lisicki Michał (2018), Gen liczby: jak dzieci uczą się matematyki?, Wydawnictwo Mamania, Warszawa.pl_PL
dc.referencesSlowikowski Kamil (2019), ggrepel: Automatically Position Non-Overlapping Text Labels with ‘ggplot2’, https://cran.r-project.org/package=ggrepel (dostęp: 9.09.2019).pl_PL
dc.referencesSmart Francis (2013), Export R Results Tables to Excel – Please don’t kick me out of your club, https://www.r-bloggers.com/2013/08/export-r-results-tables-to-excel-please-dont-kick-me-out-of-your-club/ (dostęp: 28.10.2017).pl_PL
dc.referencesSomers James (2017), Is AI Riding a One-Trick Pony?, „MIT Technology Review”, 29 września, https://www.technologyreview.com/s/608911/is-ai-riding-a-one-trick-pony/ (dostęp: 23.11.2018).pl_PL
dc.referencesSomers James (2018), The Scientific Paper Is Obsolete. Here’s What’s Next, https:// www.theatlantic.com/science/archive/2018/04/the-scientific-paper-is-obsolete/ 556676/ (dostęp: 12.08.2018).pl_PL
dc.referencesSopyła Krzysztof (2017), Podsumowanie ankiety Data Science Polska 2017, https:// ksopyla.com/data-science/podsumowanie-ankiety-data-science-polska-2017/ (dostęp: 10.10.2017).pl_PL
dc.referencesSopyła Krzysztof (2019), Dlaczego porzuciłem Tensorflow na rzecz Pytorch, https:// ksopyla.com/machine-learning/pytorch-vs-tensorflow/ (dostęp: 19.03.2019).pl_PL
dc.referencesSorensen Chris (2017), How U of T’s ‘godfather’ of deep learning is reimagining AI, https://www.utoronto.ca/news/how-u-t-s-godfather-deep-learning-reimagining- ai (dostęp: 23.11.2018).pl_PL
dc.referencesSotrender (2018), Sotrender. No-bullshit analytics. Analyze and optimize your marketing over social media, https://www.sotrender.com/pl/team/ (dostęp: 1.12.2018).pl_PL
dc.referencesSoubra Diya (2012), The three Vs that define big data, http://www.datasciencecentral. com/forum/topics/the-3vs-that-define-big-data (dostęp: 5.04.2017).pl_PL
dc.referencesSpector Alfred, Norvig Peter, Petrov Slav (2012), Google’s hybrid approach to research, „Communications of the ACM”, vol. 55(7), s. 34–37, https://doi.org/ 10.1145/2209249.2209262pl_PL
dc.referencesSpinellis Diomidis (2005), Version control systems, „IEEE Software”, vol. 22(5), s. 108–109, https://doi.org/10.1109/MS.2005.140pl_PL
dc.referencesStaniak Mateusz, Biecek Przemysław (2018), Explanations of model predictions with live and breakDown packages, http://arxiv.org/abs/1804.01955 (dostęp: 1.12.2019).pl_PL
dc.referencesStaniak Mateusz, Biecek Przemyslaw (2019), The Landscape of R Packages for Automated Exploratory Data Analysis, http://arxiv.org/abs/1904.02101 (dostęp: 1.12.2019).pl_PL
dc.referencesStar Susan Leigh, Griesemer James R. (1989), Institutional Ecology, ‘Translations’ and Boundary Objects: Amateurs and Professionals in Berkeley’s Museum of Vertebrate Zoology, 1907–39, „Social Studies of Science”, vol. 19(3), s. 387–420, https://doi.org/10.1177/030631289019003001pl_PL
dc.referencesStatCounter (2019), Desktop Operating System Market Share Worldwide, https:// gs.statcounter.com/os-market-share/desktop/ (dostęp: 18.09.2019).pl_PL
dc.referencesStrauss Anselm L. (1978), A Social World Perspective, „Studies in Symbolic Interaction”, no. 1, s. 119–28.pl_PL
dc.referencesStrauss Anselm L. (1984), Social Worlds and Their Segmentation Processes, [w:] N. Denzin (red.), Studies in Symbolic Interaction, JAI Press, Greenwitch, s. 123–139.pl_PL
dc.referencesStrauss Anselm L. (1993), Continual Permutations of Action, Aldine de Gruyter, New York.pl_PL
dc.referencesStrauss Anselm L., Corbin Juliet (1990), Basics of Qualitative Research. Grounded Theory Procedures and Techniques, Sage, Newbury Park−London−New Delhi.pl_PL
dc.referencesStriphas Ted (2015), Algorithmic culture, „European Journal of Cultural Studies”, vol. 18(4–5), s. 395–412, https://doi.org/10.1177/1367549415577392pl_PL
dc.referencesStrong Alexus (2018), Why I’m Learning Python in 2018, https://dimitris-livas. squarespace.com/blog/2018/1/22/why-im-learning-python-in-2018 (dostęp: 22.01.2019).pl_PL
dc.referencesSumbul Michel (2014), Big Data problematic, https://whatsbigdata.be/category/ big-data-overview/ (dostęp: 30.01.2017).pl_PL
dc.referencesSumpter David J. (2019), Osaczeni przez liczby: o algorytmach, które kontrolują nasze życie: od Facebooka i Google’a po fake newsy i bańki filtrujące, Copernicus Center Press, Kraków.pl_PL
dc.referencesSurma Jerzy (2017), Cyfryzacja życia w erze big data. Człowiek, biznes, państwo, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesSurowiecki James (2017), Chill: Robots Won’t Take All Our Jobs, https://www.wired. com/2017/08/robots-will-not-take-your-job/ (dostęp: 14.02.2018).pl_PL
dc.referencesswitchup (2018), 2018 Best Data Science Bootcamps, https://www.switchup.org/ rankings/best-data-science-bootcamps (dostęp: 21.02.2018).pl_PL
dc.referencesSystem Wspomagania Analiz i Decyzji GUS (2019), Miasta największe pod względem liczby ludności, http://swaid.stat.gov.pl/Dashboards/Miasta największe pod względem liczby ludności.aspx (dostęp: 11.06.2019).pl_PL
dc.referencesSzahaj Andrzej (2004), Zniewalająca moc kultury. Artykuł i szkice z filozofii kultury, poznania i polityki, Wydawnictwo Uniwersytetu Mikołaja Kopernika, Toruń.pl_PL
dc.referencesSzeliga Marcin (2017), Data science i uczenie maszynowe, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesSzpunar Magdalena (2012), Nowe-Stare Medium, Wydawnictwo Instytutu Filozofii i Socjologii Polskiej Akademii Nauk, Warszawa.pl_PL
dc.referencesSzpunar Magdalena (2013), Wokół koncepcji gatekeepingu. Od gatekeepingu tradycyjnego do technologicznego, [w:] I.S. Fiut (red.), Idee i Myśliciele: medialne i społeczne aspekty filozofii, Wydawnictwa Akademii Górniczo-Hutniczej, Kraków, s. 56–61.pl_PL
dc.referencesSzpunar Magdalena (2018), Kultura algorytmów, „Zarządzanie w Kulturze”, nr 19(1), s. 1–10, https://doi.org/10.4467/20843976ZK.18.001.8493pl_PL
dc.referencesSzpunar Magdalena (2019), Kultura algorytmów, Wydawnictwo ToC, Kraków.pl_PL
dc.referencesSzreder Mirosław (2015a), Big data wyzwaniem dla człowieka i statystyki, „Wiadomości Statystyczne”, nr 8(651), s. 1–11.pl_PL
dc.referencesSzreder Mirosław (2015b), Czy statystyka pozwala lepiej zrozumieć świat?, „Polityka”, 12 maja.pl_PL
dc.referencesSzreder Mirosław (2016) Złudzenie Big Data, „Tygodnik Powszechny”, nr 10(3478), s. 50–51.pl_PL
dc.referencesSzreder Mirosław (2018a), O algorytmach Big Data (na marginesie książki Cathy O’Neil pt. „Broń matematycznej zagłady. Jak algorytmy zwiększają nierówności i zagrażają demokracji”, Wydawnictwo Naukowe PWN, 2017), „Wiadomości Statystyczne”, nr 2(681), s. 78–81.pl_PL
dc.referencesSzreder Mirosław (2018b), Populacja małych frakcji, „Polityka”, 16 stycznia.pl_PL
dc.referencesSztandar-Sztanderska Karolina, Kotnarowski Michał, Zieleńska Marianna (2021), Czy algorytmy wprowadzają w błąd? Metaanaliza algorytmu profilowania bezrobotnych stosowanego w Polsce, „Studia Socjologiczne”, nr 1(240), s. 89–115, https://doi.org/10.24425/sts.2021.136280pl_PL
dc.referencesSztompka Piotr (2007), Socjologia. Analiza społeczeństwa, Wydawnictwo Znak, Kraków.pl_PL
dc.referencesSzumakowicz Eugeniusz (2000), Sztuczna inteligencja – problem czy pseudoproblem?, [w:] E. Szumakowicz (red.), Granice sztucznej inteligencji. Eseje i studia, Wydawnictwo Politechniki Krakowskiej, Kraków, s. 11–42.pl_PL
dc.referencesSzupiluk Ryszard (2013), Dekompozycje wielowymiarowe w agregacji predykcyjnych modeli data mining, Oficyna Wydawnicza Szkoła Główna Handlowa w Warszawie, Warszawa.pl_PL
dc.referencesSzymielewicz Katarzyna (2017), Algorytm zwycięstwa, https://panoptykon.org/ wiadomosc/algorytm-zwyciestwa (dostęp: 9.04.2018).pl_PL
dc.referencesSzymielewicz Katarzyna, Obem Anna (2020), Sztuczna inteligencja non-fiction, https://panoptykon.org/sztuczna-inteligencja-non-fiction (dostęp: 25.07.2020).pl_PL
dc.referencesŚledziewska Katarzyna, Włoch Renata (2020), Gospodarka cyfrowa. Jak nowe technologie zmieniają świat, Wydawnictwa Uniwersytetu Warszawskiego, Warszawa.pl_PL
dc.referencesTaddeo Mariarosaria, Floridi Luciano (2018), How AI can be a force for good, „Science”, vol. 361(6404), s. 751–752, https://doi.org/10.1126/science.aat5991pl_PL
dc.referencesTadeusiewicz Ryszard (2018), Prof. dr hab. inż. Ryszard Tadeusiewicz – Dossier w pigułce, https://www.uci.agh.edu.pl/uczelnia/tad/dossier.php (dostęp: 5.12.2018).pl_PL
dc.referencesTadeusiewicz Ryszard, Mikrut Zbigniew (1978), Identyfikacja i modelowanie neuronu na maszynie cyfrowej, „Archiwum Automatyki i Telemechaniki”, nr 3(23), s. 345–356.pl_PL
dc.referencesTarkowski Alek, Paszcza Bartosz, Mileszyk Natalia (2020), „AlgoPolska”: 11 postulatów, których realizacja pozwoli uniknąć mrocznych wizji rodem z „Black Mirror, https://klubjagiellonski.pl/2019/12/09/algopolska-11-tez-ktorych-realizacja- pozwoli-uniknac-nam-mrocznych-wizji-rodem-z-black-mirror/ (dostęp: 5.01.2020).pl_PL
dc.referencesTatman Rachael (2019), Six steps to more professional data science code, https:// www.kaggle.com/rtatman/six-steps-to-more-professional-data-science-code (dostęp: 29.09.2019).pl_PL
dc.referencesTaylor David (2016), Battle of the Data Science Venn Diagrams, https://www. kdnuggets.com/2016/10/battle-data-science-venn-diagrams.html4 (dostęp: 14.12.2017).pl_PL
dc.referencesTaylor Linnet, Dencik Lina (2020), Constructing Commercial Data Ethics, „Technology and Regulation”, vol. 2, s. 1–10, https://doi.org/10.26116/techreg.2020.001pl_PL
dc.referencesTechAmerica (2012), Demystifying big data: A practical guide to transforming the business of Government, http://www.techamerica.org/Docs/fileManager. cfm?f=techamerica-bigdatareport-final.pdf (dostęp: 5.03.2017).pl_PL
dc.referencesThe Neural Information Processing Systems Foundation Board of Trustees (2018), From the Board: Changing our Acronym, https://nips.cc/Conferences/2018/ News (dostęp: 12.02.2019).pl_PL
dc.referencesThe pandas project (2018), pandas: Python Data Analysis Library, http://pandas. pydata.org/about.html (dostęp: 4.12.2018).pl_PL
dc.referencesThieme Nick (2018), R Generation, „Significance”, vol. 15(4), s. 14–19, https://doi. org/10.1111/j.1740-9713.2018.01169.xpl_PL
dc.referencesThomas Suzanne L., Nafus Dawn, Sherman Jamie (2018), Algorithms as fetish: Faith and possibility in algorithmic work, „Big Data & Society”, vol. 5(1), s. 1–11, https://doi.org/10.1177/2053951717751552pl_PL
dc.referencesTocci Jason (2009), Geek cultures: Media and identity in the digital age, praca doktorska, University of Pennsylvania, http://repository.upenn.edu/dissertations/ AAI3395723/ (dostęp: 12.02.2019).pl_PL
dc.referencesTomanek Krzysztof, Bryda Grzegorz (2015), Odkrywanie postaw dydaktyków zawartych w komentarzach studenckich. Analiza treści z zastosowaniem słownika klasyfikacyjnego, „Przegląd Socjologiczny”, nr 64(4), s. 51–81.pl_PL
dc.referencesTomanek Krzysztof, Bryda Grzegorz (2017), Metodyka dla analizy treści w projektach stosujących techniki text mining i rozwiązania CAQDAS piątej generacji, „Przegląd Socjologii Jakościowej”, t. XIII, nr 2, s. 128–143.pl_PL
dc.referencesTorres J.C. (2018), The future of smartphone cameras is AI, https://www.slashgear. com/the-future-of-smartphone-cameras-is-ai-15530789/ (dostęp: 10.07.2019).pl_PL
dc.referencesTörnberg Petter, Törnberg Anton (2018), The limits of computation: A philosophical critique of contemporary Big Data research, „Big Data & Society”, vol. 5(2), s. 1–12, https://doi.org/10.1177/2053951718811843pl_PL
dc.referencesTroszczyński Marek, Wawer Aleksander (2017), Czy komputer rozpozna hejtera? Wykorzystanie uczenia maszynowego (ML) w jakościowej analizie danych, „Przegląd Socjologii Jakościowej”, t. XIII, nr 2, s. 62–80.pl_PL
dc.referencesTrzpiot Grażyna (2017), Rozumienie Data Science, [w:] G. Trzpiot (red.), Statystyka a Data Science, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach, Katowice, s. 6–30.pl_PL
dc.referencesTufte Edward R. (1983), The Visual Display of Quantitative Information, Graphics Press, Cheshire.pl_PL
dc.referencesTurner Anna, Zieliński Marcin W., Słomczyński Kazimierz M. (2018), Google big data: charakterystyka i zastosowanie w naukach społecznych, „Studia Socjologiczne”, nr 4(231), s. 49–71, https://doi.org/10.24425/122482pl_PL
dc.referencesUNECE (2014), How big is Big Data? Exploring the role of Big Data in Official Statistics, http://www1.unece.org/stat/platform/display/bigdata/How+big+is+Big+Data (dostęp: 5.06.2017).pl_PL
dc.referencesUri Therese (2015), The Strengths and Limitations fo Using Situational Analysis Grounded Theory as Research Methodology, „Journal of Ethnographic & Qualitative Research”, vol. 10(1), s. 135–151, https://www.depts.ttu.edu/education/our-people/ Faculty/additional_pages/duemer/epsy_5382_class_materials/2019/The_ Strengths_and_Limitations_of_Using_SituationalAnalysis_Grounded_Theory_ as_Research_Methodology_Uri_2015.pdf (dostęp: 10.07.2019).pl_PL
dc.referencesVaidhyanathan Siva (2018), Antisocial media. Jak Facebook oddala nas od siebie i zagraża demokracji, Grupa Wydawnicza Foksal, Warszawa.pl_PL
dc.referencesVan Camp Jeffrey (2019), 8 Best Smart Speakers in 2019: Alexa, Google Assistant, Siri, Cortana | WIRED, https://www.wired.com/story/best-smart-speakers/ (dostęp: 10.07.2019).pl_PL
dc.referencesVanderplas Jake (2016), Conda: Myths and Misconceptions, https://jakevdp.github. io/blog/2016/08/25/conda-myths-and-misconceptions/ (dostęp: 22.07.2019).pl_PL
dc.referencesVazquez Favio (2017), Data version control with DVC. What do the authors have to say?, https://towardsdatascience.com/data-version-control-with-dvc-what-do-the-authors-have-to-say-3c3b10f27ee (dostęp: 3.08.2018).pl_PL
dc.referencesVicknair Chad, Macias Michael, Zhao Zhendong, Nan Xiaofei, Chen Yixin, Wilkins Dawn (2010), A comparison of a graph database and a relational database: a data provenance perspective, „Proceedings of the 48th Annual Southeast Regional Conference on ACM SE”, https://doi.org/10.1145/1900008.1900067pl_PL
dc.referencesVopson Melvin M. (2020), The information catastrophe, „AIP Advances”, vol. 10(8), 085014, https://doi.org/10.1063/5.0019941pl_PL
dc.referencesVotta Fabio (2018), @favstats: Our @hadleywickham, who art at RStudio, Hallowed be thy name. Thy functions run, thy unit tests..., https://twitter.com/favstats/status/ 1043836510880116738 (dostęp: 23.01.2019).pl_PL
dc.referencesWachter Sandra, Mittelstadt Brent, Floridi Luciano (2017), Why a Right to Explanation of Automated Decision-Making Does Not Exist in the General Data Protection Regulation, „International Data Privacy Law”, vol. 7(2), s. 76–99, https:// doi.org/10.1093/idpl/ipx005pl_PL
dc.referencesWagner Ben (2018), Ethics as an Escape from Regulation: From ethics-washing to ethics-shopping?, [w:] E. Bayamlioglu, I. Baraliuc, L.A.W. Janssens, M. Hildebrandt (red.), Being Profiling: Cogitas Ergo Sum. 10 Years of Profiling the European Citizen, Amsterdam University Press, Amsterdam, s. 84–90.pl_PL
dc.referencesWalne Zgromadzenie Delegatów Polskiego Towarzystwa Socjologicznego (2012), Kodeks etyki socjologa, http://pts.org.pl/wp-content/uploads/2016/04/kodeks. pdf (dostęp: 4.04.2017).pl_PL
dc.referencesWang Tricia (2013), Why Big Data Needs Thick Data, https://medium.com/ethnography- matters/why-big-data-needs-thick-data-b4b3e75e3d7 (dostęp: 7.05.2018).pl_PL
dc.referencesWang Tricia (2016), The human insights missing from big data, https://www.ted. com/talks/tricia_wang_the_human_insights_missing_from_big_data#t-9755 (dostęp: 7.05.2018).pl_PL
dc.referencesWarsaw.AI (2020), Przemysław Biecek, https://warsaw.ai/speaker/przemyslaw-biecek/ (dostęp: 5.08.2020).pl_PL
dc.referencesWatson Samuel (2018), Samuel S. Watson’s answer to Who will eventually win the Python versus R debate in data science?, https://www.quora.com/Who-willeventually- win-the-Python-versus-R-debate-in-data-science/answer/Samuel-S-Watson-1 (dostęp: 8.09.2018).pl_PL
dc.referencesWatson Sara M. (2015) Data is the New “__”, http://dismagazine.com/discussion/ 73298/sara-m-watson-metaphors-of-big-data/ (dostęp: 23.04.2018).pl_PL
dc.referencesWąsowski Michał (2018), Mark Zuckerberg pokazał „prawdziwą twarz” na przesłuchaniach w Kongresie USA, https://businessinsider.com.pl/firmy/strategie/ jak-poradzil-sobie-mark-zuckerberg-na-przesluchaniu-senatu-usa/b1yjyfg (dostęp: 9.05.2018).pl_PL
dc.referencesWDI18 (2018), Warszawskie Dni Informatyki 2018: Data Science by Data Science Warsaw, https://warszawskiedniinformatyki.pl/ (dostęp: 11.05.2018).pl_PL
dc.referencesWeber Max (1989), Polityka jako zawód i powołanie, Wydawnictwo Znak, Kraków.pl_PL
dc.referencesWhat is the difference between Terminal, Console, Shell, and Command Line? (2014), https://askubuntu.com/questions/506510/what-is-the-difference-between-terminal-console-shell-and-command-line (dostęp: 13.10.2019).pl_PL
dc.referencesWhite John (2012), Julia, I Love You, http://www.johnmyleswhite.com/notebook/ 2012/03/31/julia-i-love-you/ (dostęp: 15.07.2019).pl_PL
dc.referencesWhite Tom (2015), Hadoop: The Definitive Guide, O’Reilly, Sebastopol.pl_PL
dc.referencesWhy R? Foundation (2018), http://whyr.pl/ (dostęp: 11.05.2018).pl_PL
dc.referencesWickham Hadley (2010), A Layered Grammar of Graphics, „Journal of Computational and Graphical Statistics”, vol. 19(1), s. 3–28, https://doi.org/10.1198/ jcgs.2009.07098pl_PL
dc.referencesWickham Hadley (2014a), Advanced R, Chapman and Hall/CRC Press, New York.pl_PL
dc.referencesWickham Hadley (2014b), Data science: how is it different to statistics ?, http://bulletin. imstat.org/2014/09/data-science-how-is-it-different-to-statistics/ (dostęp: 3.09.2018).pl_PL
dc.referencesWickham Hadley (2014c), Tidy Data, „Journal of Statistical Software”, vol. 59(10), s. 1–23, https://doi.org/10.18637/jss.v059.i10pl_PL
dc.referencesWickham Hadley (2017), tidyverse: Easily Install and Load the “Tidyverse”, https:// cran.r-project.org/package=tidyverse (dostęp: 11.05.2018).pl_PL
dc.referencesWickham Hadley (2018a), Hadley Wickham, http://hadley.nz/ (dostęp: 16.01.2018).pl_PL
dc.referencesWickham Hadley (2018b), profr: An Alternative Display for Profiling Information, https://cran.r-project.org/package=profr (dostęp: 3.09.2019).pl_PL
dc.referencesWickham Hadley (2018c), scales: Scale Functions for Visualization, https://cran.r-project. org/package=scales (dostęp: 3.09.2019).pl_PL
dc.referencesWickham Hadley (2018d), You can’t do data science in a GUI, https://www.youtube. com/watch?v=cpbtcsGE0OA (dostęp: 27.11.2018).pl_PL
dc.referencesWickham Hadley (2019), Letter To A Young Maintainer – talk at Monktoberfest 2019, https://www.youtube.com/watch?v=1K7u5hkciLI (dostęp: 30.04.2020).pl_PL
dc.referencesWickham Hadley, Grolemund Garrett (2017), R for Data Science: Import, Tidy, Transform, Visualize, and Model Data, O’Reilly, Beijing–Boston–Farnham–Sebastopol– Tokyo, https://r4ds.had.co.nz (dostęp: 27.11.2018).pl_PL
dc.referencesWickham Hadley, Grolemund Garrett (2018), Język R. Kompletny zestaw narzędzi dla analityków danych, Wydawnictwo Helion, Gliwice.pl_PL
dc.referencesWickham Hadley, Averick Mara, Bryan Jennifer, Chang Winston, McGowan Lucy, François Romain, Grolemund Garrett, Hayes Alex, Henry Lionel, Hester Jim, Kuhn Max, Pedersen Thomas, Miller Evan, Bache Stephan, Müller Kirill, Ooms Jeroen, Robinson David, Seidel Dana, Spinu Vitalie, Takahashi Kohske, Vaughan Davis, Wilke Claus, Woo Kara, Yutani Hiroaki (2019), Welcome to the Tidyverse, „Journal of Open Source Software”, vol. 4(43), 1686, https://doi. org/10.21105/joss.01686pl_PL
dc.referencesWikipedia (b.d.), Data scientist, https://pl.wikipedia.org/wiki/Data_scientist (dostęp: 13.02.2018).pl_PL
dc.referencesWilke Claus O. (2019), cowplot: Streamlined Plot Theme and Plot Annotations for ‘ggplot2’, https://cran.r-project.org/package=cowplot (dostęp: 30.04.2020).pl_PL
dc.referencesWill Josh (2012), @josh_wills: Data Scientist (n.): Person who is better at statistics than any software engineer and better at software engineering than any statistician, https://twitter.com/josh_wills/status/198093512149958656 (dostęp: 7.12.2017).pl_PL
dc.referencesWilliams Alex (2017), Will Robots Take Our Children’s Jobs?, „The New York Times”, 11 grudnia, https://www.nytimes.com/2017/12/11/style/robots-jobs-children.html (dostęp: 14.02.2018).pl_PL
dc.referencesWilliams Laurie, Kessler Robert, Cunningham Ward, Jeffries Ron (2000), Strengthening the case for pair programming, „IEEE Software”, vol. 17(4), s. 19–25, https://doi.org/10.1109/52.854064pl_PL
dc.referencesWilliams Wendy M., Ceci Stephen J. (2015), National hiring experiments reveal 2:1 faculty preference for women on STEM tenure track, „Proceedings of the National Academy of Sciences”, vol. 112(17), s. 5360–5365, https://doi.org/10.1073/ pnas.1418878112pl_PL
dc.referencesWiMLDS (2018), http://wimlds.org/ (dostęp: 26.09.2018).pl_PL
dc.referencesWinner Langdon (1980), Do Artifacts Have Politics?, „Daedalus”, vol. 109(1), s. 121–136.pl_PL
dc.referencesWitkowska Dorota (2002), Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, Wydawnictwo C.H. Beck, Warszawa.pl_PL
dc.referencesWolpert David H., Macready William G. (1997), No free lunch theorems for optimization, „IEEE Transactions on Evolutionary Computation”, vol. 1(1), s. 67–82, https://doi.org/10.1109/4235.585893pl_PL
dc.referencesWong Gillian, Chin Josh (2016), China’s New Tool for Social Control: A Credit Rating for Everything, „The Wall Street Journal”, 28 listopada, https://www. wsj.com/articles/chinas-new-tool-for-social-control-a-credit-rating-for-everything-1480351590 (dostęp: 21.01.2019).pl_PL
dc.referencesWong Julia Carrie (2018), Mark Zuckerberg apologises for Facebook’s ‘mistakes’ over Cambridge Analytica, „The Guardian”, https://www.theguardian.com/technology/ 2018/mar/21/mark-zuckerberg-response-facebook-cambridge-analytica (dostęp: 5.02.2019).pl_PL
dc.referencesWoodgate Rob (2019), What Is Slack, and Why Do People Love It?, https://www.howtogeek. com/428046/what-is-slack-and-why-do-people-love-it/ (dostęp: 4.09.2019).pl_PL
dc.referencesWrenn Mary V. (2015), Agency and neoliberalism, „Cambridge Journal of Economics”, vol. 39(5), s. 1231–1243, https://doi.org/10.1093/cje/beu047pl_PL
dc.referencesWu Jeff (1997), Statistics = Data Science?, https://www2.isye.gatech.edu/~jeffwu/ presentations/datascience.pdf (dostęp: 11.11.2017).pl_PL
dc.referencesXie Yihui (2016), Bookdown: Authoring Books and Technical Documents with R Markdown, Chapman and Hall/CRC, New York.pl_PL
dc.referencesXie Yihui, Allaire J.J., Grolemund Garrett (2018), R Markdown: The Definitive Guide, Chapman and Hall/CRC, Boca Raton.pl_PL
dc.referencesXie Yihui, Thomas Amber, Hill Alison P. (2022), blogdown: Creating Websites with R Markdown, https://bookdown.org/yihui/blogdown/ (dostęp: 4.09.2019).pl_PL
dc.referencesYair Gad (2007), Meritocracy, [w:] G. Ritzer (red.), The Blackwell Encyclopedia of Sociology, John Wiley & Sons, Ltd., Oxford, https://doi.org/10.1002/ 9781405165518.wbeosm082pl_PL
dc.referencesYau Nathan (2009), Rise of the Data Scientist, https://flowingdata.com/2009/06/04/ rise-of-the-data-scientist/ (dostęp: 12.12.2017).pl_PL
dc.referencesYegulalp Serdar (2017), Facebook brings GPU-powered machine learning to Python, https://www.infoworld.com/article/3159120/facebook-brings-gpu-powered-machine-learning-to-python.html (dostęp: 17.07.2019).pl_PL
dc.referencesYoutie Jan, Porter Alan L., Huang Ying (2016), Early social science research about Big Data, „Science and Public Policy”, vol. 44(1), s. 1–10, https://doi.org/10.1093/ scipol/scw021pl_PL
dc.referencesZagórna Anna (2020), Unia wypuściła „Białą księgę sztucznej inteligencji”, https:// www.sztucznainteligencja.org.pl/unia-wypuscila-biala-ksiege-sztucznej-inteligencji/ (dostęp: 23.02.2020).pl_PL
dc.referencesZaharia Matei, Franklin Michael J., Ghodsi Ali, Gonzalez Joseph, Shenker Scott, Stoica Ion, Xin Reynold S., Wendell Patrick, Das Tathagata, Armbrust Michael, Dave Ankur, Meng Xiangrui, Rosen Josh, Venkataraman Shivaram (2016), Apache Spark: a unified engine for big data processing, „Communications of the ACM”, vol. 59(11), s. 56–65, https://doi.org/10.1145/2934664pl_PL
dc.referencesZaród Marcin (2018), Aktorzy-sieci w kolektywach hakerskich w Polsce, praca doktorska, Uniwersytet Warszawski, Warszawa.pl_PL
dc.referencesZawistowska Alicja (2013) „Płeć matematyki”. Zróżnicowania osiągnięć ze względu na płeć wśród uzdolnionych uczniów, „Studia Socjologiczne”, nr 3(210), s. 75–95.pl_PL
dc.referencesZeileis Achim, the R community. Contributions (fortunes, or code) by Hothorn Torsten, Dalgaard Peter, Ligges Uwe, Wright Kevin, Maechler Martin, Brinchmann Halvorsen Kjetil, Hornik Kurt, Murdoch Duncan, Bunn Andy, Brownrigg Ray, Bivand Roger, Graves Spencer, Lemon Jim, Kleiber Christian, Reiner David L., Gunter Berton, Koenker Roger, Berry Charles, Schwartz Marc, Dewey Michael, Bolker Ben, Dunn Peter, Goslee Sarah, Blomberg Simon, Venables Bill, Rau Roland, Petzoldt Thomas, Turner Rolf, Leeds Mark, Charpentier Emmanuel, Evans Chris, Sonego Paolo, Ehlers Peter, Steuer Detlef, Galili Tal, Snow Greg, Ripley Brian D., Sumner Michael, Winsemius David, Andronic Liviu, Diggs Brian, Stigler Matthieu, Friendly Michael, Eddelbuettel Dirk, Heiberger Richard M., Burns Patrick, Menne Dieter, Vries Andrie de, Rowlingson Barry, Lancelot Renaud, Weylandt R. Michael, Skoien Jon Olav, Morneau Francois, Unwin Antony, Wiley Joshua, Therneau Terry, Hanson Bryan, Singmann Henrik, Szoecs Eduard, Passolt Gregor, Nash John C. (2016), fortunes: R Fortunes, https://cran.r-project.org/package=fortunes (dostęp: 17.07.2019).pl_PL
dc.referencesZhang Amy X., Muller Michael, Wang Dakuo (2020), How do Data Science Workers Collaborate? Roles, Workflows, and Tools, http://arxiv.org/abs/2001.06684 (dostęp: 23.02.2020).pl_PL
dc.referencesZhao Shuai, Talasila Manoop, Jacobson Guy, Borcea Cristian, Aftab Syed Anwar, Murray John F. (2018), Packaging and Sharing Machine Learning Models via the Acumos AI Open Platform, [w:] 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), IEEE, Orlando, s. 841–846, https:// ieeexplore.ieee.org/document/8614160/ (dostęp: 17.07.2019).pl_PL
dc.referencesZuboff Shoshana (2015), Big other: Surveillance Capitalism and the Prospects of an Information Civilization, „Journal of Information Technology”, vol. 30(1), s. 75–89, https://doi.org/10.1057/jit.2015.5pl_PL
dc.referencesZuboff Shoshana (2019), The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power, PublicAffairs, New York.pl_PL
dc.referencesŻulicki Remigiusz (2016), Big Data – nowa wiedza?, [w:] M. Maciąg, F. Polakowski (red.), Postęp cywilizacyjny – stan obecny i perspektywy, Wydawnictwo Naukowe TYGIEL, Lublin, s. 19–31.pl_PL
dc.referencesŻulicki Remigiusz (2017), Potencjał Big Data w badaniach społecznych, „Studia Socjologiczne”, nr 3(226), s. 176–207.pl_PL
dc.referencesŻulicki Remigiusz (2019), Pułapki myślowe data-driven. Krytyka (nie tylko) metodologiczna, „Marketing i Rynek”, nr 8(XXVI), s. 3–14, https://doi.org/10.33226/1231-7853.2019.8.1pl_PL
dc.referencesŻulicki Remigiusz, Żytomirski Michał (2020), Próba wypracowania metodologii pomiaru baniek filtrujących w wyszukiwarce Google, „Zarządzanie Mediami”, nr 8(3), s. 243–257, https://doi.org/10.4467/23540214ZM.20.034.12052pl_PL
dc.identifier.doi10.18778/8331-110-4


Pliki tej pozycji

Thumbnail
Nazwa:
license_rdf
Rozmiar:
805bajtów
Format:
application/rdf+xml
Oglądaj/Otwórz
Thumbnail
Nazwa:
Zulicki_Data science-.pdf
Rozmiar:
13.13MB
Format:
PDF
Oglądaj/Otwórz
Thumbnail
Nazwa:
Zulicki_Data science-OKL.jpg
Rozmiar:
469.3KB
Format:
Obraz JPEG
Oglądaj/Otwórz

Pozycja umieszczona jest w następujących kolekcjach

Pokaż uproszczony rekord

Attribution-NonCommercial-NoDerivatives 4.0 Międzynarodowe
Poza zaznaczonymi wyjątkami, licencja tej pozycji opisana jest jako Attribution-NonCommercial-NoDerivatives 4.0 Międzynarodowe