ScyberLab
Preview
Open in TheBrain
Scybernethics - Toward a second-order enactive rationality² >>> https://scybernethics.org (work in progress)
Paradoxes (para-doxa) et Ambiguités-Discernement
Le Paradoxe
L'Espace
soto (s'auto, sot tôt, etc...), sotoki²
Sciences et Technologies de la Cognition (STC)
Connectionisme - NeoConnectionisme
McClelland James - Psychologue et Ingénieur - modèles PDP
PDP / ANN- Parallele and Distributed Processing - Rumelhart et McClelland - Mémoire, Représentations distribuées et Emergences fonctionnelles
Machine Learning & Data Science
Parents
Adaptative Systems
Apprentissage - Paradigmes & Algorythmes
Big Data
Cognition Processuelle (et Distribuée ?!) - computation (transformation) non-propositionnelle [soto]
Herméneutique et cycles herméneutiques / heuristique et cycles heuristiques
modèle-représentation-système / Méthode-simulation-processus
Modèles de cognitions distribuées
Modéliser (pour comprendre) "sans Représentation" (a priori) (Brooks, Varela ) "sans intention-finalité" pré-programmée, centralisée-stratégique ou métaphysique mais heuristique : récursive et émergente, périphérique, contextuelle => based on Exploration & Meaning-making [soto]
PDP / ANN- Parallele and Distributed Processing - Rumelhart et McClelland - Mémoire, Représentations distribuées et Emergences fonctionnelles
Processus Distribués et Parallèles - Réseau de "Neurones" "formels" - "Connexionnisme" et émergences/énactions fonctionnelles
Quasi-fonctions (herméneutique anthropomorphique) - Processus sans sujet (Ellul, Dupuy) - survenance [soto]
Technologies Cognitives (langage-esprit-corps) et de l'esprit (très important) <--> Technologies Temporelles, du temps [soto]
Thémas
Children
“Every enterprise is looking at emerging artificial intelligence methods to take advantage of the data they now have access to,” said Ken King, IBM general manager
12 answers: The main criticism and limitations of deep learning
A Model is not an Agent - Noë, Thompson
ANN - Reseau de "Neurones" formels, neuro-mimétiques - paradigme "sub-symbolique", "sub-logique"
Apprentissage Renforcé ( Q/Sarsa et TD Learning), par Essai / Erreur (différent Supervisé/Non-Supervisé)
Apprentissages Non-Supervises
chainer
Cheat Sheets for AI, Neural Networks, Machine Learning, Deep Learning & Big Data
cog-data (Christophe Rigon) · GitHub
Data "Scientist" - Le data scientist serait un être hybride, doté d'une solide formation en mathématiques et en statistiques, mais ayant également une forte appétence pour les technologies et une curiosité pour le marketing et la sociologie...
Data Science Stack Exchange
Data Scientist > 13 compétences nécessaires
DataMining
Datas publiques (ML)
Deep learning et deep neural networks (DNN)
Deep Learning Specialization - coursera
Detecteurs de Regularites
Evolutionary Computation & Reinforcement Learning
Exploration / Exploitation - in ML / Machine “Learning”
Federated Learning : ML over distributed dataset (plateforme utilisée en interne par Google et Apple)
GIGO : "Garbage In Garbage Out" (Adage) > manque la dim verticale herméneutique [soto]
Hebb rule: positive feedback on correlation
Inference engine (rhétorique pour le réseau) => Encoder = Déduction & Decoder = Induction
inference of LLMs -- based on autoregressive decoding
LLMs - Large Language Models
LLMs don’t know anything: reply to Yildirim and Paul - Thompson, Noë, 2024
Machine Learning
Machine Learning Engineer Nanodegree
Machine Learning Glossary - Google
NLP - Natural Language Processing --> LLMs
One-Shot Learning
openai (plateforme IBM)
The epistemological foundations of data science: a critical analysis - Floridi & al, 2022
Transformers - and all other ML models - are ways to represent computer programs. You can think of them as a programming language designed to be easy for optimization instead of for human understanding.
Transformers (ML model) - “(self)attention mechanism/”head””
UCI > Data Sets for ML
Understanding LLMs: Computer techs as Psycho-Technologies of Cognition
Jumps
Evolutionary Robotic