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

Abadi 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.
Zobacz w Google Scholar

Abriszewski Krzysztof (2010), Wszystko otwarte na nowo. Teoria Aktora-Sieci i filozofia kultury, Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika, Toruń.
Zobacz w Google Scholar

ActiveState (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).
Zobacz w Google Scholar

Adams Scott (2012), Dilbert, http://dilbert.com/strip/2012-07-29 (dostęp: 12.10.2016).
Zobacz w Google Scholar

Afeltowicz Łukasz, Pietrowicz Krzysztof (2008), Koniec socjologii, jaką znamy, czyli o maszynach społecznych i inżynierii socjologicznej, „Studia Socjologiczne”, nr 3(190), s. 43–73.
Zobacz w Google Scholar

Agarwal 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).
Zobacz w Google Scholar

AI Now Institute (2018), The AI Now Institute, https://ainowinstitute.org/ (dostęp: 14.06.2018).
Zobacz w Google Scholar

Alekseichenko Vladimir (2018), Sztuczna inteligencja, cyberbezpieczeństwa i hackerzy, http://biznesmysli.pl/sztuczna-inteligencja-cyberbezpieczenstwa-i-hackerzy/ (dostęp: 20.06.2018).
Zobacz w Google Scholar

Alekseichenko Vladimir (2019a), 10 mitów o sztucznej inteligencji, http://biznesmysli.pl/10-mitow-o-sztucznej-inteligencji/ (dostęp: 29.04.2019).
Zobacz w Google Scholar

Alekseichenko Vladimir (2019b), Drony zmieniają branże ubezpieczeń, budowlaną i inne, https://biznesmysli.pl/drony-zmieniaja-branze-ubezpieczen-budowlana-i-inne/ (dostęp: 11.01.2019).
Zobacz w Google Scholar

Alekseichenko 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-rozwoju-sztucznej-inteligencji-na-swiecie/przeglad-strategii-rozwoju-ai-digitalpoland-report.pdf (dostęp: 11.01.2019).
Zobacz w Google Scholar

Allaire 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).
Zobacz w Google Scholar

Allaire J.J., Ushey Kevin, Tang Yuan (2018), reticulate: Interface to “Python”, https://cran.r-project.org/package=reticulate (dostęp: 11.01.2019).
Zobacz w Google Scholar

Allaire 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).
Zobacz w Google Scholar

Amatriain 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).
Zobacz w Google Scholar

Ameisen 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).
Zobacz w Google Scholar

Anaconda (2018a), Anaconda Distribution, https://www.anaconda.com/distribution/ (dostęp: 3.12.2018).
Zobacz w Google Scholar

Anaconda (2018b), Travis Oliphant, https://www.anaconda.com/people/travis-oliphant (dostęp: 3.12.2018).
Zobacz w Google Scholar

Anaconda (2019a), Anaconda Distribution Starter Guide, https://docs.anaconda.com/_downloads/9ee215ff15fde24bf01791d719084950/Anaconda-Starter-Guide.pdf (dostęp: 4.12.2018).
Zobacz w Google Scholar

Anaconda (2019b), The end-to-end data science platform, https://www.anaconda.com/enterprise/ (dostęp: 22.07.2019).
Zobacz w Google Scholar

Anaconda (b.d.), NumFOCUS – Anaconda, https://www.anaconda.com/numfocus/ (dostęp: 3.12.2018).
Zobacz w Google Scholar

Anderson 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).
Zobacz w Google Scholar

Anderson 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.x
Zobacz w Google Scholar

Andrus Calvin, Cook Jon, Sood Suresh (2017), Data Science: An Introduction, https://en.wikibooks.org/wiki/Data_Science:_An_Introduction (dostęp: 21.03.2018).
Zobacz w Google Scholar

Angrosino Michael (2010), Badania etnograficzne i obserwacje, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Angwin 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).
Zobacz w Google Scholar

Arakelyan 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).
Zobacz w Google Scholar

Arena Michael J., Pentland Alex, Price David (2010), Honest Signals – Hard Measures for Social Behavior, „Organization Development Journal”, vol. 28(3), s. 11–20.
Zobacz w Google Scholar

Ariely 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).
Zobacz w Google Scholar

Ashcraft Mark H. (2002), Math Anxiety: Personal, Educational, and Cognitive Consequences, „Current Directions in Psychological Science”, vol. 11(5), s. 181–185, https://doi.org/10.1111/1467-8721.00196
Zobacz w Google Scholar

Associated 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).
Zobacz w Google Scholar

Avram Abel (2013), Docker: Automated and Consistent Software Deployments, https://www.infoq.com/news/2013/03/Docker/ (dostęp: 23.01.2019).
Zobacz w Google Scholar

Awad Edmond, Dsouza Sohan, Kim Richard, Schulz Jonathan, Henrich Joseph, Shariff Azim, Bonnefon Jean-François, Rahwan Iyad (2018), The Moral Ma- chine experiment, „Nature”, vol. 563(7729), https://doi.org/10.1038/s41586-018-0637-6
Zobacz w Google Scholar

Awad 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/s41562-019-0762-8
Zobacz w Google Scholar

Azam Anum (2014), The First Rule of Data Science, „Berkeley Science Review”, http://berkeleysciencereview.com/article/first-rule-data-science/ (dostęp: 26.01.2018).
Zobacz w Google Scholar

Azevedo Ana, Santos Manuel Filipe (2008), KDD, SEMMA and CRISP-DM: a parallel overview, „IADIS European Conference Data Mining”, January, s. 182–185.
Zobacz w Google Scholar

Baath Rasmus (2012), The State of Naming Conventions in R, „The R Journal”, vol. 4(2), s. 74–75.
Zobacz w Google Scholar

Babbie Earl (2006), Badania społeczne w praktyce, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Baitu 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).
Zobacz w Google Scholar

Barabási Albert-László (2002), Linked: The New Science of Networks, Perseus Publishing, Cambridge.
Zobacz w Google Scholar

Barlow Mike (2013), The Culture of Big Data, O’Reilly, Tokio.
Zobacz w Google Scholar

Barnet 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).
Zobacz w Google Scholar

Barry Dwight (2016), Business Intelligence with R. From Acquiring Data to Pattern Exploration, https://leanpub.com/businessintelligencewithr (dostęp: 17.02.2018).
Zobacz w Google Scholar

Batorski Dominik (2004), Sieci społeczne: Charakterystyka, uwarunkowania i konsekwencje struktur relacji społecznych na przykładzie komunikacji internetowej, Uniwersytet Warszawski, Warszawa.
Zobacz w Google Scholar

Batorski Dominik (2018), Facebook. Wąż, który pożera własny ogon, „Magazyn Opinii Pismo”, 5 czerwca.
Zobacz w Google Scholar

Bauman Zygmunt, Lyon David (2013), Płynna inwigilacja. Rozmowy, Wydawnictwo Literackie, Kraków.
Zobacz w Google Scholar

Becker Howard (1974), Art as Collective Action, „American Sociological Review”, vol. 39(6), s. 767–776.
Zobacz w Google Scholar

Becker Howard (1986), Doing Things Together, Northwestern University Press, Evanston.
Zobacz w Google Scholar

Beede 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.1964782
Zobacz w Google Scholar

Berman Jules J. (2013), Principles of Big Data: Preparing, Sharing, and Analyzing Complex Information, Elsevier, Waltham.
Zobacz w Google Scholar

Bhatt Niraj (2013), NoSQL, Big Data, and MapReduce, https://nirajrules.wordpress.com/2013/05/ (dostęp: 13.02.2018).
Zobacz w Google Scholar

Białko Michał (2005), Sztuczna inteligencja i elementy hybrydowych systemów ekspertowych, Wydawnictwo Uczelniane Politechniki Koszalińskiej, Koszalin.
Zobacz w Google Scholar

Biecek Przemysław (2015a), Pogromcy Danych. Przetwarzanie danych w programie R, http://pogromcydanych.icm.edu.pl/ (dostęp: 28.12.2016).
Zobacz w Google Scholar

Biecek Przemysław (2015b), Pogromcy Danych. Wizualizacja oraz modelowanie danych, Interdyscyplinarne Centrum Modelowania Matematycznego i Komputerowego Uniwersytetu Warszawskiego, Warszawa.
Zobacz w Google Scholar

Biecek 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).
Zobacz w Google Scholar

Biecek Przemysław (2016), Odkrywać! Ujawniać! Objaśniać! Zbiór esejów o sztuce przedstawiania danych, Fundacja Naukowa SmarterPoland.pl, Warszawa.
Zobacz w Google Scholar

Biecek Przemysław (2017), Przewodnik po pakiecie R, Oficyna Wydawnicza GiS, Wrocław.
Zobacz w Google Scholar

Biecek 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).
Zobacz w Google Scholar

Biecek Przemysław (2018b), CV – Przemysław Biecek, http://biecek.pl/CV/ (dostęp: 11.08.2018).
Zobacz w Google Scholar

Biecek Przemysław (2018c), DALEX: Explainers for Complex Predictive Models in R, „Journal of Machine Learning Research”, vol. 19(84), s. 1–5.
Zobacz w Google Scholar

Biecek Przemysław (2018d), Który z nich zostanie najgorszym wykresem 2018?, http://smarterpoland.pl/index.php/2018/12/najgorszy-wykres-2018/ (dostęp: 3.04.2019).
Zobacz w Google Scholar

Biecek 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).
Zobacz w Google Scholar

Biecek Przemysław (2019a), MDP: Model Development Process v. 0.1, https://github.com/ModelOriented/DrWhy/blob/master/images/ModelDevelopmentProcess.pdf (dostęp: 3.07.2019).
Zobacz w Google Scholar

Biecek Przemysław (2019b), XAI or DIE, https://www.slideshare.net/PrzemekBiecek/xai-or-die-at-data-science-summit-2019-149824427 (dostęp: 19.05.2020).
Zobacz w Google Scholar

Biecek Przemysław (2020), XAI Stories, https://pbiecek.github.io/xai_stories/ (dostęp: 5.08.2020).
Zobacz w Google Scholar

Biecek Przemysław, Burzykowski Tomasz (2020), Explanatory Model Analysis. Explore, Explain, and Examine Predictive Models. With examples in R and Python, CRC Press, https://pbiecek.github.io/ema/ (dostęp: 19.05.2020).
Zobacz w Google Scholar

Biecek 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.i11
Zobacz w Google Scholar

Big Data Borat (2013), @BigDataBorat: Data science is statistics on Mac, https://twitter.com/bigdataborat/status/372350993255518208 (dostęp: 19.02.2018).
Zobacz w Google Scholar

Birhane Abeba (2020), Algorithmic Colonization of Africa, „SCRIPT-ed”, vol. 17(2), s. 389–409, https://doi.org/10.2966/scrip.170220.389
Zobacz w Google Scholar

Bivand Roger, Lewin-Koh Nicholas (2019), maptools: Tools for Handling Spatial Objects, https://cran.r-project.org/package=maptools (dostęp: 19.05.2020).
Zobacz w Google Scholar

Bivand Roger, Rundel Colin (2019), rgeos: Interface to Geometry Engine – Open Source (‘GEOS’), https://cran.r-project.org/package=rgeos (dostęp: 19.05.2020).
Zobacz w Google Scholar

Blei 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/10.5555/944919.944937
Zobacz w Google Scholar

Blumenkrantz 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).
Zobacz w Google Scholar

Błaszczak Anita (2016), Specjaliści big data będą wkrótce na wagę złota, „Rzeczpospolita”, 6 września.
Zobacz w Google Scholar

Bobriakov 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).
Zobacz w Google Scholar

Bomba Radosław (2015), „Simowie” na wspak. Gra „This War of Mine” w perspektywie retoryki proceduralnej, „Wielogłos”, nr 3(25), s. 87–95.
Zobacz w Google Scholar

Bomba 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).
Zobacz w Google Scholar

Bornakke 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/10.1177/2053951718765026
Zobacz w Google Scholar

Borowiecki 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).
Zobacz w Google Scholar

Borowik 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).
Zobacz w Google Scholar

Botsman 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).
Zobacz w Google Scholar

Bowker 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.
Zobacz w Google Scholar

Boyd Danah (b.d.), what’s in a name? – danah michele boyd, http://www.danah.org/name.html (dostęp: 11.08.2018).
Zobacz w Google Scholar

Boyd Danah, Crawford Kate (2011), Six Provocations for Big Data, „SSRN Electronic Journal”, https://doi.org/10.2139/ssrn.1926431
Zobacz w Google Scholar

Boyd Danah, Crawford Kate (2012) Critical questions for big data, „Information, Communication & Society”, vol. 15(5), s. 662–679, https://doi.org/10.1080/1369118X.2012.678878
Zobacz w Google Scholar

Brackenbury 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.
Zobacz w Google Scholar

Breda 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.1905779116
Zobacz w Google Scholar

Breiman 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).
Zobacz w Google Scholar

BrodieG (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).
Zobacz w Google Scholar

Broek Elmira van den (2019), Hiring Algorithms : An Ethnography of Fairness in Practice, Fortieth International Conference on Information Systems, Munich.
Zobacz w Google Scholar

Brooks Hannah (2014), Interviews with Data Scientists, „Data Science Weekly”, no. 1 (April).
Zobacz w Google Scholar

Brosz 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.
Zobacz w Google Scholar

Bryan 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/10.1080/00031305.2017.1399928
Zobacz w Google Scholar

Bryan 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.
Zobacz w Google Scholar

Bryan 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).
Zobacz w Google Scholar

Bryan Jenny (2018), Happy Git and GitHub for the useR, http://happygitwithr.com/ (dostęp: 6.02.2018).
Zobacz w Google Scholar

Brynjolfsson Erik, McAfee Andrew (2015), Wyścig z maszynami. Jak rewolucja cyfrowa napędza innowacje, zwiększa wydajność i w nieodwracalny sposób zmienia rynek pracy, Kurhaus Publishing, Warszawa.
Zobacz w Google Scholar

Brzezińska 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).
Zobacz w Google Scholar

Brzeziński 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).
Zobacz w Google Scholar

Bugalski 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).
Zobacz w Google Scholar

Bugnion Pascal (2016), Scala for Data Science, Packt Publishing, Birmingham–Mumbai.
Zobacz w Google Scholar

Buolamwini 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 Trans- parency, vol. 81, PMLR, s. 77–91.
Zobacz w Google Scholar

Burda Katarzyna (2018), Uczłowieczanie komputera, „Newsweek Polska”, 3 kwietnia, s. 64–67.
Zobacz w Google Scholar

Burrell Jenna (2016), How the machine ‘thinks’: Understanding opacity in machine learning algorithms, „Big Data & Society”, vol. 3(1), https://doi.org/10.1177/2053951715622512
Zobacz w Google Scholar

Burtch 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).
Zobacz w Google Scholar

Burtch 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).
Zobacz w Google Scholar

Cadwalladr 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-faceook-nix-bannon-trump (dostęp: 5.10.2018).
Zobacz w Google Scholar

Cadwalladr 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).
Zobacz w Google Scholar

Campbell 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/10.1177/1461444810362204
Zobacz w Google Scholar

Canton 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).
Zobacz w Google Scholar

Cao Longbing (2017a), Data Science: A Comperhensive Overview, „ACM Computing Surveys”, vol. 50(3), s. 1–42, https://doi.org/10.1145/3076253
Zobacz w Google Scholar

Cao Longbing (2017b), Data science: challenges and directions, „Communications of the ACM”, vol. 60(8), s. 59–68, https://dl.acm.org/doi/fullHtml/10.1145/3015456
Zobacz w Google Scholar

Carneiro 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.2018.2874767
Zobacz w Google Scholar

Caro 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.i07
Zobacz w Google Scholar

Casas 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).
Zobacz w Google Scholar

Cass 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).
Zobacz w Google Scholar

Centre for the New Economy and Society (2018), The Future of Jobs Report 2018 Insight Report Centre for the New Economy and Society, Geneva.
Zobacz w Google Scholar

Cerf Vint (2007), An Information Avalanche, „IEEE Computer”, vol. 40, no. 1, s. 104–105.
Zobacz w Google Scholar

Ceri 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.2018.02.019
Zobacz w Google Scholar

ChallengeRocket.com (2018), Warsaw AI Hackathon at Google Campus Warsaw, https://challengerocket.com/warsaw-artificial-intelligence-hackathon-google-campus-warsaw (dostęp: 25.04.2018).
Zobacz w Google Scholar

Chang Emily (2018), Brotopia: Breaking up the Boys’ Club of Silicon Valley, Portfolio/Penguin, New York.
Zobacz w Google Scholar

Chang 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).
Zobacz w Google Scholar

Chang 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.2013.08.008
Zobacz w Google Scholar

Chang 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).
Zobacz w Google Scholar

Chang Winston, Luraschi Javier, Mastny Timothy (2019), profvis: Interactive Visualizations for Profiling R Code, https://cran.r-project.org/package=profvis (dostęp: 22.03.2018).
Zobacz w Google Scholar

Charmaz Kathy (2009), Teoria ugruntowana. Praktyczny przewodnik po analizie jakościowej, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Charmaz Kathy, Clarke Adele E. (red.) (2013), Grounded Theory and Situational Analysis, Sage, London.
Zobacz w Google Scholar

Chemaly 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).
Zobacz w Google Scholar

Chen 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/10.1080/08874417.2018.1472047
Zobacz w Google Scholar

Chen Hao (2010), Comparative Study of C, C++, C# and Java Programming Lan- guages, Vaasa University of Applied Sciences, Vassa.
Zobacz w Google Scholar

Chen 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).
Zobacz w Google Scholar

Chen 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/s11036-013-0489-0
Zobacz w Google Scholar

Chojnowski Maciej (2020), Biecek: SI? Musimy coś sobie wyjaśnić, https://www.sztucznainteligencja.org.pl/biecek-si-musimy-cos-sobie-wyjasnic/ (dostęp: 26.04.2020).
Zobacz w Google Scholar

Choudhury Tanzeem, Pentl Alex, Pentland Alex (2002), The Sociometer: A Wear- able Device for Understanding Human Networks, https://dam-prod.media.mit.edu/x/files/tech-reports/TR-554.pdf (dostęp: 22.03.2018).
Zobacz w Google Scholar

Chouldechova 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.2016.0047
Zobacz w Google Scholar

Ciechanowski 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.2018.01.055
Zobacz w Google Scholar

Clark 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).
Zobacz w Google Scholar

Clark 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).
Zobacz w Google Scholar

Clarke 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.
Zobacz w Google Scholar

Clarke Adele E. (2003), Situational Analyses: Grounded Theory Mapping After the Postmodern Turn, „Symbolic Interaction”, vol. 26(4), s. 553–576.
Zobacz w Google Scholar

Clarke Adele E. (2005), Situational Analysis. Grounded Theory After the Postmodern Turn, Sage, London.
Zobacz w Google Scholar

Clarke 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.
Zobacz w Google Scholar

Clarke 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.1996.10.4.02a00120
Zobacz w Google Scholar

Clarke 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.
Zobacz w Google Scholar

Clarke 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.
Zobacz w Google Scholar

Clarke 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.
Zobacz w Google Scholar

Clarke Adele E., Friese Carrie, Washburn Rachel S. (2017), Situational Analysis: Grounded Theory After the Interpretive Turn, Sage, Los Angeles.
Zobacz w Google Scholar

Clarke Peter (2012), Google neural network teaches itself to identify cats, https://www.eetimes.com/document.asp?doc_id=1266579 (dostęp: 21.01.2018).
Zobacz w Google Scholar

Class Central (2018), Data Science Courses, https://www.class-central.com/subject/data-science (dostęp: 21.02.2018).
Zobacz w Google Scholar

Cleveland 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.x
Zobacz w Google Scholar

Codd 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/10.1145/362384.362685
Zobacz w Google Scholar

Collobert Ronan, Farabet Clement, Kavukcuoglu Koray, Chintala Soumith (2019), What is Torch?, http://torch.ch/ (dostęp: 15.07.2019).
Zobacz w Google Scholar

Conway Drew (2010), The Data Science Venn Diagram, http://www.dataists.com/2010/09/the-data-science-venn-diagram/ (dostęp: 18.02.2018).
Zobacz w Google Scholar

Conway 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/10.1145/2623330.2630824
Zobacz w Google Scholar

Cook 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-international-stateless/2017/01/35f0ac1a-clickclean2016-hires.pdf (dostęp: 15.07.2019).
Zobacz w Google Scholar

Courtland Rachel (2018), Bias detectives: the researchers striving to make algorithms fair, „Nature”, vol. 558(7710), s. 357–360, https://doi.org/10.1038/d41586-018-05469-3
Zobacz w Google Scholar

Crain Matthew (2018), The limits of transparency: Data brokers and commodification, „New Media and Society”, vol. 20(1), https://doi.org/10.1177/1461444816657096
Zobacz w Google Scholar

Crawford Kate (2021), Atlas of AI: power, politics, and the planetary costs of artificial intelligence, Yale University Press, New Haven.
Zobacz w Google Scholar

Crawford 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).
Zobacz w Google Scholar

Crawford 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).
Zobacz w Google Scholar

Creemers 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).
Zobacz w Google Scholar

CrowdFlower (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).
Zobacz w Google Scholar

CS Department Toronto University (b.d.), Geoffrey E. Hinton – Home Page, http://www.cs.toronto.edu/~hinton/ (dostęp: 29.03.2018).
Zobacz w Google Scholar

Cukier Kenneth, Mayer-Schönberger Victor (2014), Big Data. Rewolucja, która zmieni nasze myślenie, pracę i życie, Wydawnictwo MT Biznes, Warszawa.
Zobacz w Google Scholar

Culkin John M. (1967), A Shoolman’s Guide to Marshall McLuhan, „The Saturday Review”, 18 marca, s. 51–53, 70–72.
Zobacz w Google Scholar

Cyfryzacja KPRM (b.d.), Robert Kroplewski, https://www.gov.pl/web/cyfryzacja/robert-kroplewski1 (dostęp: 6.08.2020).
Zobacz w Google Scholar

Czapska Martyna (2018), RODO a sztuczna inteligencja, http://lexrobotica.pl/2018/05/25/rodo-a-sztuczna-inteligencja/ (dostęp: 10.09.2018).
Zobacz w Google Scholar

Czarnocka-Cieciura Marta, Migdał Piotr (2015), TagOverflow, https://github.com/stared/tagoverflow (dostęp: 9.12.2018).
Zobacz w Google Scholar

Czarnowski 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).
Zobacz w Google Scholar

Czubkowska Sylwia (2018), Dane, kłamstwa i wybory: Facebook wybiera Ci prezydenta, „Gazeta Wyborcza”, 24 marca.
Zobacz w Google Scholar

Ćwiklak Dariusz (2017), Wielki Brat szepcze do ciebie, „Newsweek Polska”, 26 czerwca, s. 73–75.
Zobacz w Google Scholar

Dalton 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/10.1177/2053951716648346
Zobacz w Google Scholar

Dar 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).
Zobacz w Google Scholar

Darmach Krystian (2017), Autoetnografia 2.0, „Kultura i Społeczeństwo”, nr 3(LXI), s. 87–101.
Zobacz w Google Scholar

Data & Society (2018), Data & Society Research Institute, https://datasociety.net/ (dostęp: 30.04.2018).
Zobacz w Google Scholar

DataCamp (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).
Zobacz w Google Scholar

Data Science Association (2020), Data Science Code of Professional Conduct, http://datascienceassn.org/code-of-conduct.html (dostęp: 2.08.2020).
Zobacz w Google Scholar

Data Science Warsaw (2018a), Data Science Summit, http://dssconf.pl/ (dostęp: 30.03.2018).
Zobacz w Google Scholar

Data Science Warsaw (2018b), Data Science Warsaw (Warszawa, Polska) | Meetup, https://www.meetup.com/pl-PL/Data-Science-Warsaw/ (dostęp: 19.11.2018).
Zobacz w Google Scholar

Davenport 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).
Zobacz w Google Scholar

Davidson 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/10.1145/1864708.1864770
Zobacz w Google Scholar

Delapenha 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).
Zobacz w Google Scholar

Denyer Simon (2016), China’s plan to organize its society relies on ‘big data’ to rate everyone, „The Washington Post”, 22 października.
Zobacz w Google Scholar

Deptuła Jacek (2018), Facebook dobrze wie, kto i jak będzie głosował, „Dziennik Łódzki”, 21 marca.
Zobacz w Google Scholar

Desai 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.4008316
Zobacz w Google Scholar

Devlin 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).
Zobacz w Google Scholar

DeZyre (2015), Data Science Programming: Python vs R, https://www.dezyre.com/article/data-science-programming-python-vs-r/128 (dostęp: 29.09.2018).
Zobacz w Google Scholar

Diaz-Bone Rainer (2013), Situationsanalyse – Strauss meets Foucault?, „Forum Qualitative Sozialforschung”, vol. 14(1), https://doi.org/10.17169/fqs-14.1.1928
Zobacz w Google Scholar

Diebold 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).
Zobacz w Google Scholar

Dijck 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.v12i2.4776
Zobacz w Google Scholar

dimlakgorkehgz (2019), GUIs to save from typing R code, https://alternativeto.net/list/2063/guis-to-save-from-typing-r-code/ (dostęp: 11.02.2019).
Zobacz w Google Scholar

Dixon James (2010), Pentaho, Hadoop, and Data Lakes, https://jamesdixon.wordpress.com/2010/10/14/pentaho-hadoop-and-data-lakes/ (dostęp: 14.08.2019).
Zobacz w Google Scholar

Dodge 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).
Zobacz w Google Scholar

Donoho David (2015), 50 Years of Data Science, „Journal of Computational and Graphical Statistics”, vol. 26(4), s. 745–766, https://doi.org/10.1080/10618600.2017.1384734
Zobacz w Google Scholar

Dopierała Renata (2013), Prywatność w perspektywie zmiany społecznej, Zakład Wydawniczy NOMOS, Kraków.
Zobacz w Google Scholar

Drabas Tomasz, Lee Denny, Karau Holden (2017), Learning PySpark, Packt Publishing, Birmingham.
Zobacz w Google Scholar

Draper Nora (2017), Fail Fast: The Value of Studying Unsuccessful Technology Companies, „Media Industries Journal”, vol. 4(1), https://doi.org/10.3998/mij.15031809.0004.101
Zobacz w Google Scholar

Drejewicz Szymon (2017), Podcast Data Science po polsku, https://soundcloud.com/szymon-drejewicz-184766256 (dostęp: 20.06.2017).
Zobacz w Google Scholar

Drury 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.2011.620935
Zobacz w Google Scholar

Dubrow 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-z
Zobacz w Google Scholar

Dunn 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).
Zobacz w Google Scholar

Dutcher 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).
Zobacz w Google Scholar

Dwoskin 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).
Zobacz w Google Scholar

Dyk 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/asa-statement-on-the-role-of-statistics-in-data-science/ (dostęp: 7.02.2018).
Zobacz w Google Scholar

Dzieciątko Mariusz, Spinczyk Dominik (2016), Text mining. Metodyka, narzędzia, zastosowania, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Eagle 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).
Zobacz w Google Scholar

Eagle Nathan, Greene Kate (2014), Reality Mining: Using Big Data to Engineer a Better World, The MIT Press, Cambridge–London.
Zobacz w Google Scholar

Eagle 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/s00779-005-0046-3
Zobacz w Google Scholar

Economic 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).
Zobacz w Google Scholar

Eder 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/fqt039
Zobacz w Google Scholar

Eder Maciej (2014), Metody ścisłe w literaturoznawstwie i pułapki pozornego obiektywizmu – przykład stylometrii, „Teksty Drugie”, nr 2, s. 90–105.
Zobacz w Google Scholar

Eder 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/fqt066
Zobacz w Google Scholar

Eder 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/fqv061
Zobacz w Google Scholar

Eder 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-2016-007
Zobacz w Google Scholar

Elish 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/10.1080/03637751.2017.1375130
Zobacz w Google Scholar

Elliott 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).
Zobacz w Google Scholar

Exxact (2019), NVIDIA Data Science Workstations, https://www.exxactcorp.com/NVIDIA-Data-Science-Workstations (dostęp: 12.09.2019).
Zobacz w Google Scholar

Facebook (2018), Yann LeCun – Facebook Research, https://research.fb.com/people/lecun-yann/ (dostęp: 23.08.2018).
Zobacz w Google Scholar

Feinberg 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).
Zobacz w Google Scholar

Ferrucci 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.v31i3.2303
Zobacz w Google Scholar

Feuerstein Steven (1996), Advanced Oracle PL/SQL Programming with Packages, O’Reilly & Associates, Inc., Sebastopol.
Zobacz w Google Scholar

Fierro 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).
Zobacz w Google Scholar

Fjeld 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).
Zobacz w Google Scholar

Floridi Luciano (2012), Big Data and Their Epistemological Challenge, „Philosophy & Technology”, vol. 25(4), s. 435–437, https://doi.org/10.1007/s13347-012-0093-4
Zobacz w Google Scholar

Foreman John W. (2017), Mistrz analizy danych. Od danych do wiedzy, Wydawnictwo Helion, Gliwice.
Zobacz w Google Scholar

Formulated.by (2018), 15 Data Science Slack Communities to Join, https://towardsdatascience.com/15-data-science-slack-communities-to-join-8fac301bd6ce (dostęp: 5.09.2019).
Zobacz w Google Scholar

Fox John (2009), Aspects of the Social Organization and Trajectory of the R Project, „The R Journal”, no. 1 (December), s. 5–13.
Zobacz w Google Scholar

Fox 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.i02
Zobacz w Google Scholar

Franceschi-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).
Zobacz w Google Scholar

Freeman 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.
Zobacz w Google Scholar

Frenken 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.2017.01.003
Zobacz w Google Scholar

Frey 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.2016.08.019
Zobacz w Google Scholar

Friedman Batya, Nissenbaum Helen (1996), Bias in computer systems, „ACM Transactions on Information Systems”, vol. 14(3), s. 330–347, https://doi.org/10.1145/230538.230561
Zobacz w Google Scholar

Fuller 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).
Zobacz w Google Scholar

Fundacja Panoptykon (2019), Prawo do wyjaśnienia w pytaniach i odpowiedziach, https://panoptykon.org/prawo-do-wyjasnienia (dostęp: 5.09.2019).
Zobacz w Google Scholar

Future of Life Institute (2017), AI Principles, https://futureoflife.org/ai-principles/ (dostęp: 7.02.2018).
Zobacz w Google Scholar

Fürg Daniel (2017), Curt Simon Harlinghausen: Der kulturelle Wandel findet oftmals nicht statt, https://48forward.com/greencircle/curt-simon-harlinghausen/ (dostęp: 27.06.2020).
Zobacz w Google Scholar

Galloway Scott (2018), Wielka Czwórka. Ukryte DNA: Amazon, Apple, Facebook i Google, Dom Wydawniczy Rebis, Poznań.
Zobacz w Google Scholar

Gandomi Amir, Haider Murtaza (2015), Beyond the hype: Big data concepts, meth- ods, and analytics, „International Journal of Information Management”, vol. 35(2), s. 137–144, https://doi.org/10.1016/j.ijinfomgt.2014.10.007
Zobacz w Google Scholar

Gardner Dan (2012), Introduction, [w:] R. Smolan, J. Erwitt (red.), The human face of big data, Against All Odds Productions, Sausalito, s. 14–15.
Zobacz w Google Scholar

Garner Bennett (2018), Why I Code in Python, https://medium.com/@BennettGarner/why-i-code-in-python-a1e4012eb859 (dostęp: 24.07.2019).
Zobacz w Google Scholar

Gągolewski Marek (2016), Programowanie w języku R. Analiza danych. Obliczenia. Symulacje, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Gągolewski Marek, Bartoszuk Maciej, Cena Anna (2016), Przetwarzanie i analiza danych w języku Python, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Gershon Ilana (2011), Neoliberal Agency, „Current Anthropology”, vol. 52(4), s. 537–555, https://doi.org/10.1086/660866
Zobacz w Google Scholar

Gersz Aleksandra (2018), Wyciek danych z Facebooka wpłynął na wybory w Polsce?, „Dziennik Łódzki”, 21 marca.
Zobacz w Google Scholar

Główny Urząd Statystyczny (2019), Jak zapytać o dane, https://stat.gov.pl/pytania-i-zamowienia/jak-zamowic-dane/ (dostęp: 6.08.2019).
Zobacz w Google Scholar

Gogoi 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).
Zobacz w Google Scholar

Gogołek Włodzimierz (2016), Rafinacja dużej skali zasobów sieciowych – Big Data. Dziennikarskie źródło informacji, „Ekonomika i Organizacja Przedsiębiorstwa”, nr 7(798), s. 12–18.
Zobacz w Google Scholar

Goldstein 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.
Zobacz w Google Scholar

Gontarz 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).
Zobacz w Google Scholar

Goodfellow Ian, Bengio Yoshua, Courville Aaron (2016), Deep Learning, http://www.deeplearningbook.org/ (dostęp: 5.11.2017).
Zobacz w Google Scholar

Google (2012), Google’s R Style Guide, https://google.github.io/styleguide/Rguide.xml (dostęp: 5.01.2018).
Zobacz w Google Scholar

Google (2018), Peter Norvig – Google AI, https://ai.google/research/people/author205 (dostęp: 22.05.2018).
Zobacz w Google Scholar

Google (2019), Colaboratory – FAQ, https://research.google.com/colaboratory/faq.html (dostęp: 23.07.2019).
Zobacz w Google Scholar

Google Data Center 360° Tour (b.d.), https://www.youtube.com/watch?v=zDAYZU4A3w0 (dostęp: 7.01.2020).
Zobacz w Google Scholar

Google 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).
Zobacz w Google Scholar

Google 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).
Zobacz w Google Scholar

Gorecki Jan, Yuan Jiaming (2019), Database-like ops benchmark, https://h2oai.github.io/db-benchmark/index.html (dostęp: 6.05.2019).
Zobacz w Google Scholar

Gostkiewicz 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).
Zobacz w Google Scholar

Grace 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. 729–754
Zobacz w Google Scholar

Granville Vincent (2014), 16 analytic disciplines compared to data science, https://www.datasciencecentral.com/profiles/blogs/17-analytic-disciplines-compared (dostęp: 3.01.2017).
Zobacz w Google Scholar

Greene 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.
Zobacz w Google Scholar

Grewal Paul (2018), Suspending Cambridge Analytica and SCL Group From Facebook, https://newsroom.fb.com/news/2018/03/suspending-cambridge-analytica/ (dostęp: 5.02.2019).
Zobacz w Google Scholar

Groen Albin (2019), Maximizing use of the terminal, https://medium.com/@albingroen/maximizing-use-of-the-terminal-9b7b12ab5dd2 (dostęp: 11.09.2019).
Zobacz w Google Scholar

Grolemund Garrett, Wickham Hadley (2011), Dates and Times Made Easy with {lubridate}, „Journal of Statistical Software”, vol. 40(3), s. 1–25.
Zobacz w Google Scholar

Grommé 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.
Zobacz w Google Scholar

Grush 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).
Zobacz w Google Scholar

Gualtieri 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).
Zobacz w Google Scholar

Gulipalli Pradeep (2019), The Pareto Principle for Data Scientists, https://www.kdnuggets.com/2019/03/pareto-principle-data-scientists.html (dostęp: 15.04.2019).
Zobacz w Google Scholar

Guo 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.
Zobacz w Google Scholar

Gutierrez Sebastian (2014), Data Scientists at Work: Sexy Scientists Wrangling Data And Begetting New Industries, Appres, Berkeley.
Zobacz w Google Scholar

Hale 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).
Zobacz w Google Scholar

Halevy 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.2009.36
Zobacz w Google Scholar

Hałas Elżbieta (2006), Interakcjonizm symboliczny, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Hamideh (2015), Do data scientists use Excel?, https://datascience.stackexchange.com/questions/5443/do-data-scientists-use-excel (dostęp: 4.09.2018).
Zobacz w Google Scholar

Hansen 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).
Zobacz w Google Scholar

Harari Yuval Noah (2017), Homo Deus: A Brief History of Tomorrow, Vintage, London.
Zobacz w Google Scholar

Harari Yuval Noah (2018), 21 lekcji na 21 wiek, Wydawnictwo Literackie, Kraków.
Zobacz w Google Scholar

Haratyk 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/10.18778/1733-8069.13.4.08
Zobacz w Google Scholar

Harper Norma Wynn, Daane C.J. (1998), Causes and Reduction of Math Anx- iety in Preservice Elementary Teachers, „Action in Teacher Education”, vol. 19(4), s. 29–38, https://doi.org/10.1080/01626620.1998.10462889
Zobacz w Google Scholar

Harris Harlan D., Murphy Sean Patric, Vaisman Marck (2013), Analyzing The Analyzers: An Introspective Survey of Data Scientists and Their Work, O’Reilly, Beijing–Cambridge.
Zobacz w Google Scholar

Harris Jonathan (2012), Data Driven, [w:] R. Smolan, J. Erwitt (red.), The human face of big data, Against All Odds Productions, Sausalito, s. 200–203.
Zobacz w Google Scholar

Hatalska Natalia (2021), Wiek paradoksów: czy technologia nas ocali?, Wydawnictwo Znak, Kraków.
Zobacz w Google Scholar

Hatton Celia (2015), China ‘social credit’: Beijing sets up huge system, https://www.bbc.com/news/world-asia-china-34592186 (dostęp: 21.01.2019).
Zobacz w Google Scholar

Henderson 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).
Zobacz w Google Scholar

Henke 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).
Zobacz w Google Scholar

Hill 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).
Zobacz w Google Scholar

Hu 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).
Zobacz w Google Scholar

Huet 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).
Zobacz w Google Scholar

Hughes 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).
Zobacz w Google Scholar

Hunter John D. (2007), Matplotlib: A 2D Graphics Environment, „Computing in Science & Engineering”, vol. 9(3), s. 90–95, https://doi.org/10.1109/MCSE.2007.55
Zobacz w Google Scholar

Hunter 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).
Zobacz w Google Scholar

Hyndman Rob (2014), Am I a data scientist?, https://robjhyndman.com/hyndsight/am-i-a-data-scientist/ (dostęp: 5.01.2018).
Zobacz w Google Scholar

Ierusalimschy Roberto, Celes Waldemar, Figueiredo Luiz Henrique de (2019), Lua, https://www.lua.org/ (dostęp: 15.07.2019).
Zobacz w Google Scholar

Ihaka 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/10.2307/1390807
Zobacz w Google Scholar

Inbar 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.
Zobacz w Google Scholar

Is 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).
Zobacz w Google Scholar

Isaak 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.2018.3191268
Zobacz w Google Scholar

Ismail Nur Amie, Abidin Wardah Zainal (2016), Data Scientist Skills, „IOSR Journal of Mobile Computing & Application”, vol. 03(04), s. 52–61, https://doi.org/10.9790/0050-03045261
Zobacz w Google Scholar

IT Central Station (2019), Data Science Platforms: Buyer’s Guide and Reviews, https://www.itcentralstation.com/landing/report-data-science-platforms (dostęp: 16.04.2019).
Zobacz w Google Scholar

Iwasiński 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.
Zobacz w Google Scholar

Iwasiński Łukasz (2017), Przyczynek do rozważań nad suwerennością konsumenta w epoce danetyzacji i big data, „Kultura – Historia – Globalizacja”, nr 21, s. 119–133.
Zobacz w Google Scholar

Jackson 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.
Zobacz w Google Scholar

Jacobs Adam (2009), The pathologies of big data, „Communications of the ACM”, vol. 52(8), s. 36–44, https://doi.org/10.1145/1536616.1536632
Zobacz w Google Scholar

Jacyno Małgorzata (2007), Kultura indywidualizmu, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Jain Varsha (2018), Luxury: Not for Consumption but Developing Extended Digital Self, „Journal of Human Values”, vol. 24(1), s. 25–38, https://doi.org/10.1177/0971685817733570
Zobacz w Google Scholar

Jarvis Jeremy (2014), @jeremyjarvis: A data scientist is a statistician who lives in San Fransisco, https://twitter.com/jeremyjarvis/status/428848527226437632 (dostęp: 7.12.2017).
Zobacz w Google Scholar

Jemielniak 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/10.24425/122461
Zobacz w Google Scholar

Jemielniak Dariusz (2019), Socjologia internetu, Wydawnictwo Naukowe Scholar, Warszawa.
Zobacz w Google Scholar

Jemielniak Dariusz (2020), Thick Big Data, Oxford University Press, Oxford.
Zobacz w Google Scholar

Joler Vladan, Crawford Kate (2018), Anatomy of an AI System, https://anatomyof.ai/img/ai-anatomy-publication.pdf (dostęp: 16.04.2019).
Zobacz w Google Scholar

Jolly 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.00862
Zobacz w Google Scholar

Jóźwiak 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).
Zobacz w Google Scholar

Junco 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).
Zobacz w Google Scholar

Jung Alexander (2019), imgaug Documentation. Release 0.2.9, https://buildmedia.readthedocs.org/media/pdf/imgaug/latest/imgaug.pdf (dostęp: 27.11.2018).
Zobacz w Google Scholar

Juza Marta (2016), Internet w życiu społecznym – nadzieje, obawy, krytyka, „Studia Socjologiczne”, nr 1(220), s. 199–221.
Zobacz w Google Scholar

Kacperczyk Anna (2007), Badacz i jego poszukiwania w świetle „Analizy Sytuacyjnej” Adele E. Clarke, „Przegląd Socjologii Jakościowej”, t. III, nr 2, s. 5–32.
Zobacz w Google Scholar

Kacperczyk Anna (2011), Obiekt graniczny (Boundary object), [w:] K.T. Konecki, P. Chomczyński (red.), Słownik socjologii jakościowej, Wydawnictwo Difin, Warszawa, s. 192.
Zobacz w Google Scholar

Kacperczyk Anna (2014), Autoetnografia – technika, metoda, nowy paradygmat? O metodologicznym statusie autoetnografii, „Przegląd Socjologii Jakościowej”, t. X, nr 3, s. 32–74.
Zobacz w Google Scholar

Kacperczyk Anna (2016), Społeczne światy. Teoria – empiria – metody badań: na przykładzie społecznego świata wspinaczki, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
Zobacz w Google Scholar

Kacperczyk Anna (2017), Rozum czy emocje? O odmianach autoetnografii oraz epistemologicznych przepaściach i pomostach między nimi, „Kultura i Społeczeństwo”, nr 3(LXI) s. 127–148.
Zobacz w Google Scholar

Kaczorowska-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).
Zobacz w Google Scholar

Kaggle (2017a), 2017 Kaggle Machine Learning & Data Science Survey, https://www.kaggle.com/kaggle/kaggle-survey-2017 (dostęp: 19.07.2019).
Zobacz w Google Scholar

Kaggle (2017b), 2017: The State of Data Science & Machine Learning, https://www.kaggle.com/surveys/2017 (dostęp: 27.03.2018).
Zobacz w Google Scholar

Kaggle (2018a), 2018 Kaggle Machine Learning & Data Science Survey, https://www.kaggle.com/kaggle/kaggle-survey-2018 (dostęp: 19.07.2019).
Zobacz w Google Scholar

Kaggle (2018b), Kaggle Days, https://www.kaggledays.com/ (dostęp: 25.04.2018).
Zobacz w Google Scholar

Kallenberg 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.2016.2532122
Zobacz w Google Scholar

Kane 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.i14
Zobacz w Google Scholar

Kapur 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/s11251-012-9235-4
Zobacz w Google Scholar

karupakalas (2018), IDE alternatives for R programming (RStudio, IntelliJ IDEA, Eclipse, Visual Studio), https://datascience.stackexchange.com/a/28853 (dostęp: 11.07.2019).
Zobacz w Google Scholar

KDnuggets (b.d.), About KDnuggets, https://www.kdnuggets.com/about/index.html (dostęp: 5.01.2018).
Zobacz w Google Scholar

Keras (2019), Backend utilities, https://keras.io/backend/ (dostęp: 17.07.2019).
Zobacz w Google Scholar

Ketkar Nikhil (2017), Deep Learning with Python, Apress, Berkeley, https://link.springer.com/book/10.1007/978-1-4842-2766-4 (dostęp: 11.07.2019).
Zobacz w Google Scholar

Kędzierski 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).
Zobacz w Google Scholar

King John, Magoulas Roger (2016), 2016 Data Science Salary Survey, https://www.oreilly.com/radar/2016-data-science-salary-survey-results/ (dostęp: 11.07.2019).
Zobacz w Google Scholar

Kitchin Rob (2014), Big Data, new epistemologies and paradigm shifts, „Big Data & Society”, vol. 1(1), s. 1–12, https://doi.org/10.1177/2053951714528481
Zobacz w Google Scholar

Kling 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.1978.1.2.24
Zobacz w Google Scholar

Knapik Rozalia (2018), Sztuczny Bóg. Wizerunki technologicznej Osobliwości w (pop)kulturze, Instytut Kultury Popularnej, Poznań.
Zobacz w Google Scholar

Knox Hannah, Nafus Dawn (red.) (2018), Ethnography for a data-saturated world, Manchester University Press, Manchester.
Zobacz w Google Scholar

Kobielus 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).
Zobacz w Google Scholar

Koch Therese (2018), NIPS AI Conference to Continue Laughing about Nipples at the Expense of Women in Tech, https://medium.com/@therese.koch1/nips-ai-conference-to-continue-laughing-about-nipples-at-the-expense-of-women-in-tech-8c0fa74b1ec4 (dostęp: 12.02.2019).
Zobacz w Google Scholar

Kodołamacz.pl i Centrum Zarządzania Innowacjami i Transferem Technologii Politechniki Warszawskiej (2017), Zawody Przyszłości #1, http://kodolamacz.pl/zawodyprzyszlosci/ (dostęp: 11.06.2017).
Zobacz w Google Scholar

Koloch 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).
Zobacz w Google Scholar

Komisja Europejska (2020), White Paper on Artificial Intelligence – A European approach to excellence and trust, COM(2020) 65 final.
Zobacz w Google Scholar

Komisja 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.
Zobacz w Google Scholar

Komisja 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).
Zobacz w Google Scholar

Komisja 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).
Zobacz w Google Scholar

Komisja 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).
Zobacz w Google Scholar

Konecki Krzysztof T. (2000), Studia z metodologii badań jakościowych. Teoria ugruntowana, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Kopf Dan (2015), Hadley Wickham, the Man Who Revolutionized R, https://priceonomics.com/hadley-wickham-the-man-who-revolutionized-r/ (dostęp: 5.01.2018).
Zobacz w Google Scholar

Kotuła Sebastian Dawid (2014), Wstęp do Open Source, Wydawnictwo Stowarzyszenia Bibliotekarzy Polskich, Warszawa.
Zobacz w Google Scholar

Kowalski 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_27
Zobacz w Google Scholar

Kozinets 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.39.1.61.18935
Zobacz w Google Scholar

Kozyrkov 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).
Zobacz w Google Scholar

Krawczyk Stanisław, Migdał Piotr (2011), Zespół Aspergera, nauki ścisłe i kultura nerdów, „Rocznik Kognitywistyczny”, t. 5, s. 93–101, https://doi.org/10.4467/20843895RK.12.011.0415
Zobacz w Google Scholar

Krawiec Krzysztof (2003), Uczenie maszynowe i sieci neuronowe, Wydawnictwo Politechniki Poznańskiej, Poznań.
Zobacz w Google Scholar

Kriegel Alex, Trukhnov Boris M. (2011), Discovering SQL: A Hands-On Guide for Beginners, Wrox, Indianapolis.
Zobacz w Google Scholar

Kromme Jeroen (2017), Python & R vs. SPSS & SAS, http://www.theanalyticslab.nl/2017/03/18/python-r-vs-spss-sas/ (dostęp: 26.10.2018).
Zobacz w Google Scholar

Kroplewski 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).
Zobacz w Google Scholar

Kross Sean (2021), postcards: Create Beautiful, Simple Personal Websites, https://cran.r-project.org/package=postcards (dostęp: 26.10.2018).
Zobacz w Google Scholar

Krzemiński Ireneusz (1986), Symboliczny interakcjonizm i socjologia, Państwowe Wydawnictwo Naukowe, Warszawa.
Zobacz w Google Scholar

Krzysztofek Kazimierz (2010), „Fragteracja” złożonych systemów społecznych – kilka pytań i hipotez badawczych, „Studia i Prace Uniwersytetu Ekonomicznego w Krakowie”, nr 13, s. 30–47.
Zobacz w Google Scholar

Krzysztofek Kazimierz (2011), W stronę maszyn społecznych. Jaka będzie socjologia, której nie znamy?, „Studia Socjologiczne”, nr 2(201), s. 123–145.
Zobacz w Google Scholar

Krzysztofek Kazimierz (2012), Big Data Society. Technologie samozapisu i samopokazu: ku humanistyce cyfrowej, „Transformacje”, nr 1–4(72–75), s. 223–257.
Zobacz w Google Scholar

Krzysztofek Kazimierz (2017), Kierunki ewaluacji technologii cyfrowych w działaniu społecznym. Próba systematyzacji problemu, „Studia Socjologiczne”, nr 1, s. 195–224.
Zobacz w Google Scholar

Krzysztofek Kazimierz (2018), Prévoir – Savoir – Pouvoir, czyli od przewidywania do wiedzy i władzy, „Stan Rzeczy”, nr 14, s. 17–39.
Zobacz w Google Scholar

Kuhn Thomas S. (2001), Struktura rewolucji naukowych, Fundacja Ale­theia, Warszawa.
Zobacz w Google Scholar

Kulisiewicz 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/s41598-018-32571-3
Zobacz w Google Scholar

Kuncewicz 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).
Zobacz w Google Scholar

Kurczewska Joanna (1997), Technokraci i ich świat społeczny, Wydawnictwo Instytutu Filozofii i Socjologii PAN, Warszawa.
Zobacz w Google Scholar

Kurzweil Ray (2016), Nadchodzi Osobliwość. Kiedy człowiek przekroczy granice biologii, Kurhaus Publishing, Warszawa.
Zobacz w Google Scholar

Kuźba 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).
Zobacz w Google Scholar

Kwiatkowska Agnieszka (2017) „Hańba w Sejmie” – zastosowanie modeli generatywnych do analizy debat parlamentarnych, „Przegląd Socjologii Jakościowej”, t. XIII, nr 2, s. 82–109.
Zobacz w Google Scholar

Kwon 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.2014.02.002
Zobacz w Google Scholar

Laney 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).
Zobacz w Google Scholar

Lapowsky 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).
Zobacz w Google Scholar

Lapowsky Issie (2019), How Cambridge Analytica Sparked the Great Privacy Awakening, https://www.wired.com/story/cambridge-analytica-facebook-privacy-awakening/ (dostęp: 17.03.2019).
Zobacz w Google Scholar

Lardinois 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).
Zobacz w Google Scholar

Larose Daniel T. (2005), Discovering Knowledge in Data: An Introduction to Data Mining, John Wiley & Sons, Hoboken.
Zobacz w Google Scholar

Larose Daniel T. (2012), Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Larson 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).
Zobacz w Google Scholar

Lasek Mirosława (2002), Data Mining. Zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza „Zarządzanie i Finanse”, Warszawa.
Zobacz w Google Scholar

Lasek Mirosława (2007), Metody Data Mining w analizowaniu i prognozowaniu kondycji ekonomicznej przedsiębiorstw: zastosowania SAS Enterprise Miner, Wydawnictwo Difin, Warszawa.
Zobacz w Google Scholar

Lassiter Luke Eric (2005), The Chicago Guide to Collaborative Ethnography, The University of Chicago Press, Chicago–London.
Zobacz w Google Scholar

Latour Bruno (2013), Technologia jako utrwalone społeczeństwo, „AVANT. Pismo Awangardy Filozoficzno-Naukowej”, nr 4(1), s. 17–48.
Zobacz w Google Scholar

Lazer 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.
Zobacz w Google Scholar

Le 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).
Zobacz w Google Scholar

LearnDataSci (2018), Top Data Science Online Courses in 2018, https://www.learndatasci.com/best-data-science-online-courses/ (dostęp: 21.02.2018).
Zobacz w Google Scholar

LeCun Yann (b.d.), Biographical Sketch, http://yann.lecun.com/ex/bio.html (dostęp: 12.09.2018).
Zobacz w Google Scholar

LeCun 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/10.1109/5.726791
Zobacz w Google Scholar

LeCun 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.1989.1.4.541
Zobacz w Google Scholar

Lee 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).
Zobacz w Google Scholar

Lee 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.
Zobacz w Google Scholar

Leek Jeffrey (2016), How to be a modern scientist, http://leanpub.com/modernscientist (dostęp: 12.09.2018).
Zobacz w Google Scholar

Lerman 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).
Zobacz w Google Scholar

Levy 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).
Zobacz w Google Scholar

Lewis-Kraus Gideon (2017), Budowniczowie wieży Googel, „Przekrój”, nr 2(3557), s. 151–162.
Zobacz w Google Scholar

Li Jun (2008), Ethical Challenges in Participant Observation: A Reflection on Ethnographic Fieldwork, „The Qualitative Report”, vol. 13(1), s. 100–115.
Zobacz w Google Scholar

Li 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).
Zobacz w Google Scholar

Linden 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).
Zobacz w Google Scholar

Lohr 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).
Zobacz w Google Scholar

López 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.
Zobacz w Google Scholar

Lorenz 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/10.1086/664553
Zobacz w Google Scholar

Lorenzi Jean-Herve, Berrebi Mickaël (2019), Przyszłość naszej wolności. Czy należy rozmontować Google’a i kilku innych?, Państwowy Instytut Wydawniczy, Warszawa.
Zobacz w Google Scholar

Loukides Mike (2010), What is data science?, https://www.oreilly.com/ideas/what-is-data-science (dostęp: 8.09.2016).
Zobacz w Google Scholar

Lowrie Ian (2016), Caring for Computers: How Russian Data Scientists Refashion Their Laptops, „Anthropology Now”, vol. 8(2), s. 25–33, https://doi.org/10.1080/19428200.2016.1202578
Zobacz w Google Scholar

Lowrie Ian (2017), Algorithmic rationality: Epistemology and efficiency in the data sciences, „Big Data & Society”, vol. 4(1), s. 1–13, https://doi.org/10.1177/2053951717700925
Zobacz w Google Scholar

Lowrie 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.
Zobacz w Google Scholar

Lutyński Jan (1974), Uwagi na temat typologii wywiadów, maszynopis.
Zobacz w Google Scholar

Lyotard Jean-François (1997), Kondycja ponowoczesna: raport o stanie wiedzy, Fundacja Aletheia, Warszawa.
Zobacz w Google Scholar

Mac 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).
Zobacz w Google Scholar

Majek 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).
Zobacz w Google Scholar

Mallan 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/10.1080/13676260903295059
Zobacz w Google Scholar

Manhart 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_19
Zobacz w Google Scholar

Mannes John (2017), Geofferey Hinton was briefly a Google intern in 2012 be- cause of bureaucracy, https://techcrunch.com/2017/09/14/geoffrey-hinton-was-briefly-a-google-intern-in-2012-because-of-bureaucracy/ (dostęp: 23.11.2018).
Zobacz w Google Scholar

Manyika 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%20for%20innovation/mgi_big_data_full_report.pdf (dostęp: 5.11.2018).
Zobacz w Google Scholar

Marcus George E. (1995), Ethnography in/of the World System: The Emergence of Multi-Sited Ethnography, „Annual Review of Anthropology”, no. 24, s. 95–117.
Zobacz w Google Scholar

Marczuk 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).
Zobacz w Google Scholar

Marr 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).
Zobacz w Google Scholar

Maslow Abraham H. (1966), The Psychology of Science. A Reconnaissance, Gateway Editions, South Bend.
Zobacz w Google Scholar

Mason Hilary (2010), A Taxonomy of Data Science, http://www.dataists.com/2010/09/a-taxonomy-of-data-science/ (dostęp: 30.07.2018).
Zobacz w Google Scholar

masterindatascience (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).
Zobacz w Google Scholar

Matloff 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).
Zobacz w Google Scholar

Matloff Norman (2020), TidyverseSkeptic: An opinionated view of the Tidyverse «dialect» of the R language, https://github.com/matloff/TidyverseSkeptic#readme (dostęp: 23.10.2020).
Zobacz w Google Scholar

Matplotlib (2018), Matplotlib: Python plotting – Matplotlib 3.0.2 documentation, https://matplotlib.org/3.0.2/index.html (dostęp: 16.09.2018).
Zobacz w Google Scholar

McCarthy 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).
Zobacz w Google Scholar

McCulloch 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).
Zobacz w Google Scholar

McKinney 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-92BF1922-00A
Zobacz w Google Scholar

McKinney 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).
Zobacz w Google Scholar

McKinney Wes (2012), Python for Data Analysis. Data Wrangling With Pandas, NumPy, And IPython, O’Reilly, Sebastopol.
Zobacz w Google Scholar

McKinney Wes (2018), About – Wes McKinney, http://wesmckinney.com/pages/about.html (dostęp: 4.12.2018).
Zobacz w Google Scholar

Meetup (b.d.), https://secure.meetup.com/meetup_api (dostęp: 19.07.2019).
Zobacz w Google Scholar

Merity 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).
Zobacz w Google Scholar

Merritt Jonathan (2018), Sztuczna inteligencja zagrożeniem dla chrześcijaństwa?, „Miesięcznik Znak”, nr 762, s. 52–57.
Zobacz w Google Scholar

Michel 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.1199644
Zobacz w Google Scholar

Microsoft (2019), Microsoft R Open: The Enhanced R Distribution, https://mran.microsoft.com/open (dostęp: 19.07.2019).
Zobacz w Google Scholar

Microsoft Azure (2019), Azure Databricks, https://azure.microsoft.com/pl-pl/services/databricks/ (dostęp: 3.06.2019).
Zobacz w Google Scholar

Microsoft Research (2019a), People: danah boyd, https://www.microsoft.com/en-us/research/people/dmb/ (dostęp: 11.02.2019).
Zobacz w Google Scholar

Microsoft Research (2019b), People: Kate Crawford, https://www.microsoft.com/en-us/research/people/kate/#!publications (dostęp: 11.02.2019).
Zobacz w Google Scholar

Migdał Piotr (2014), Symmetries and self-similarity of many-body wavefunctions, http://arxiv.org/abs/1412.6796 (dostęp: 11.02.2019).
Zobacz w Google Scholar

Migdał 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).
Zobacz w Google Scholar

Migdał Piotr (2017), After PyData Warsaw 2017, https://p.migdal.pl/2017/11/15/after-pydata-warsaw-2017.html (dostęp: 1.12.2017).
Zobacz w Google Scholar

Migdał Piotr, Jakubanis Rafał (2018), Keras or PyTorch as your first deep learning framework, https://deepsense.ai/keras-or-pytorch/ (dostęp: 17.07.2019).
Zobacz w Google Scholar

Miller 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.
Zobacz w Google Scholar

Miller 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.2018.07.007
Zobacz w Google Scholar

Miloslavskaya 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.2016.07.439
Zobacz w Google Scholar

Mims 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).
Zobacz w Google Scholar

Minelli Michael, Dhiraj Ambiga, Chambers Michele (2013), Big Data, Big Ana- lytics. Emerging business intelligence and analytic trends for today’s businesses, John Wiley & Sons, New Jersey.
Zobacz w Google Scholar

Ministerstwo Cyfryzacji RP (2018a), RODO – Informator, https://www.gov.pl/cyfryzacja/rodo-informator (dostęp: 12.02.2019).
Zobacz w Google Scholar

Ministerstwo 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).
Zobacz w Google Scholar

Misal 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).
Zobacz w Google Scholar

Mohamed 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/s13347-020-00405-8
Zobacz w Google Scholar

Molnar 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.00786
Zobacz w Google Scholar

Morrison Daniel R. (2016), Mapping to Make Sense of Messy Worlds, „Symbolic Interaction”, vol. 39(3), s. 519–521, https://doi.org/10.1002/symb.237
Zobacz w Google Scholar

Mortimer Steven (2018), Most Starred R Packages on GitHub, https://stevenmortimer.com/most-starred-r-packages-on-github/ (dostęp: 11.07.2018).
Zobacz w Google Scholar

Morzy Tadeusz (2013), Eksploracja danych. Metody i algorytmy, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Mökander 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-y
Zobacz w Google Scholar

Mróz Maciej (2020), Nowy renesans, czyli SI po ludzku, https://www.sztucznainteligencja.org.pl/nowy-renesans-czyli-si-po-ludzku/ (dostęp: 10.03.2020).
Zobacz w Google Scholar

Muenchen Robert A. (2014), Why R is Hard to Learn, http://r4stats.com/articles/why-r-is-hard-to-learn/ (dostęp: 21.03.2018).
Zobacz w Google Scholar

Muenchen Robert A. (2019), The Popularity of Data Science Software, http://r4stats.com/articles/popularity/ (dostęp: 1.07.2018).
Zobacz w Google Scholar

Muûlu 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/10.1145/2398857.2384665
Zobacz w Google Scholar

Müller Kirill, Walthert Lorenz (2020), styler: Non-Invasive Pretty Printing of R Code, https://cran.r-project.org/package=styler (dostęp: 10.03.2020).
Zobacz w Google Scholar

Myoo Sidney (2013), Ontoelektronika, Wydawnictwo Uniwersytetu Jagiellońskiego, Kraków.
Zobacz w Google Scholar

Naur Peter (1974), Concise Survey of Computer Methods, Studentlitteratur, Lund.
Zobacz w Google Scholar

Neff 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.2016.0050
Zobacz w Google Scholar

Netflix (2019), How Netflix’s Recommendations System Works, https://help.netflix.com/en/node/100639 (dostęp: 9.07.2019).
Zobacz w Google Scholar

NeurIPS (2018), Neural Information Processing Systems Foundation. Code of Conduct, https://neurips.cc/public/CodeOfConduct (dostęp: 12.02.2019).
Zobacz w Google Scholar

Neuwirth Erich (2014), RColorBrewer: ColorBrewer Palettes, https://cran.r-project.org/package=RColorBrewer (dostęp: 9.07.2019).
Zobacz w Google Scholar

Newton 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).
Zobacz w Google Scholar

Ng Andrew (2017), AI is the new electricity, [w:] AI Frontiers. Applied Deep Learning, Santa Clara, https://nov2017.aifrontiers.com/#speakers (dostęp: 16.03.2018).
Zobacz w Google Scholar

Ng Andrew (2018a), About – Andrew Ng, https://www.andrewng.org/about/ (dostęp: 21.01.2018).
Zobacz w Google Scholar

Ng 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).
Zobacz w Google Scholar

Ng Andrew (b.d.), Andrew Ng’s Home page, http://ai.stanford.edu/~ang/originalHomepage.html (dostęp: 21.01.2018).
Zobacz w Google Scholar

Ng 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.
Zobacz w Google Scholar

Ng 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.
Zobacz w Google Scholar

Nguyen 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).
Zobacz w Google Scholar

Nicolaus 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-analytics/our-insights/the-age-of-analytics-competing-in-a-data-driven-world (dostęp: 21.01.2018).
Zobacz w Google Scholar

Niedbalski Jakub (red.) (2014), Metody i techniki odkrywania wiedzy. Narzędzia CAQDAS w procesie analizy danych jakościowych, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
Zobacz w Google Scholar

Nissenbaum Helen (2001), How Computer Systems Embody Values, „IEEE Computer”, no. 120, s. 118–119.
Zobacz w Google Scholar

Norén 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).
Zobacz w Google Scholar

Northpointe Inc. (2012), Practitioners Guide to COMPAS, http://www.northpointeinc.com/files/technical_documents/FieldGuide2_081412.pdf (dostęp: 3.04.2017).
Zobacz w Google Scholar

Norvig Peter (1987), A Unified Theory of Inference for Text Understanding, University of California, Berkeley.
Zobacz w Google Scholar

Norvig Peter (2001), Teach Yourself Programming in Ten Years, http://norvig.com/21-days.html (dostęp: 13.04.2018).
Zobacz w Google Scholar

Norvig 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.x
Zobacz w Google Scholar

Norvig Peter (2018), Peter Norvig – Resume, http://norvig.com/resume.html (dostęp: 4.03.2018).
Zobacz w Google Scholar

Nowosad Jakub (2019), Elementarz programisty. Wstęp do programowania używając R, Wydawnictwo Space A, Poznań.
Zobacz w Google Scholar

NumFOCUS (2018), NumFOCUS: Open Code = Better Science, https://numfocus.org/ (dostęp: 3.12.2018).
Zobacz w Google Scholar

Nunns 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).
Zobacz w Google Scholar

Nurczyk Ewelina, Ramza Barbara (2017), Zawody przyszłości: Data Scientist, „Kariera w Finansach i Bankowości” nr 2017/2018, s. 26–30.
Zobacz w Google Scholar

NYU 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).
Zobacz w Google Scholar

O’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).
Zobacz w Google Scholar

O’Neil Cathy (2013), On Being a Data Skeptic, O’Reilly, Sebastopol.
Zobacz w Google Scholar

O’Neil Cathy (2017), Broń matematycznej zagłady. Jak algorytmy zwiększają nierówności i zagrażają demokracji, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

O’Neil Cathy, Schutt Rachel (2015), Badanie danych: raport z pierwszej linii działań, Wydawnictwo Helion, Gliwice.
Zobacz w Google Scholar

Obem Anna (2018), Nowa afera, stare wyzwania, https://cyfrowa-wyprawka.org/aktualnosci/nowa-afera-stare-wyzwania (dostęp: 24.04.2018).
Zobacz w Google Scholar

Obem Anna (2020), Co możesz zrobić po obejrzeniu Social Dilemma (poza wyrzuceniem telefonu)?, https://panoptykon.org/spoleczny-dylemat (dostęp: 12.10.2020).
Zobacz w Google Scholar

OECD (2015), Does Math Make You Anxious?, „PISA in Focus”, no. 02, s. 1–4, https://doi.org/10.1787/5js6b2579tnx-en
Zobacz w Google Scholar

Ohlhorst Frank J. (2013), Big Data Analytics: Turning Big Data into Big Money, Wiley, New York.
Zobacz w Google Scholar

Oliphant Travis E. (2006), A guide to NumPy, Trelgol Publishing, USA.
Zobacz w Google Scholar

Oliphant Travis E. (2007), Python for Scientific Computing, „Computing in Science & Engineering”, vol. 9(3), s. 10–20.
Zobacz w Google Scholar

Oliphant 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%3C299::AID-MRM1039%3E3.0.CO;2-O
Zobacz w Google Scholar

Olszewski Adrian (2017), Will Python take over R?, https://www.quora.com/Will-Python-take-over-R/answer/Adrian-Olszewski- (dostęp: 18.09.2018).
Zobacz w Google Scholar

Olszewski 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).
Zobacz w Google Scholar

Onalytica (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).
Zobacz w Google Scholar

Onalytica (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).
Zobacz w Google Scholar

Ooms 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).
Zobacz w Google Scholar

Oord 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).
Zobacz w Google Scholar

Orsini 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).
Zobacz w Google Scholar

Osowski Stanisław (2006), Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
Zobacz w Google Scholar

Osowski Stanisław (2013), Metody i narzędzia eksploracji danych, Wydawnictwo BTC, Warszawa.
Zobacz w Google Scholar

Ozimek 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).
Zobacz w Google Scholar

Ożóg Maciej (2009), Transgresje panoptykonu. Nadzór w dobie technologii cyfrowych, „Kultura Współczesna”, nr 2(60), s. 14–30.
Zobacz w Google Scholar

Ożóg Maciej (2018), Życie w krzemowej klatce, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
Zobacz w Google Scholar

Paharia Rajat (2014), Lojalność 3.0: jak zrewolucjonizować zaangażowanie klientów i pracowników dzięki big data i rywalizacji, Wydawnictwo MT Biznes Ltd., Warszawa.
Zobacz w Google Scholar

Paliszkiewicz Joanna (2018), Kreowanie w mediach społecznościowych wizerunku kandydata do pracy na przykładzie portalu LinkedIn, „Zarządzanie Zasobami Ludzkimi”, nr 5(124), s. 79–91.
Zobacz w Google Scholar

Paprocki 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.
Zobacz w Google Scholar

Pascnau 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).
Zobacz w Google Scholar

Paszke Adam, Gross Sam, Chintala Soumith, Chanan Gregory, Yang Edward, DeVito 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).
Zobacz w Google Scholar

Paulson Linda Dailey (2007), Developers Shift to Dynamic Programming Languages, „Computer”, vol. 40(2), s. 12–15.
Zobacz w Google Scholar

Pavlicek 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.
Zobacz w Google Scholar

Pebesma 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-2018-009
Zobacz w Google Scholar

Pedregosa 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).
Zobacz w Google Scholar

Pedregosa Fabian (2018), About me, http://fa.bianp.net/pages/about.html (dostęp: 4.12.2018).
Zobacz w Google Scholar

Pedregosa 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).
Zobacz w Google Scholar

Pedregos, 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).
Zobacz w Google Scholar

Pedregosa 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.
Zobacz w Google Scholar

Peng Roger D. (2011a), Reproducible Research in Computational Science, „Science”, vol. 334(6060), s. 1226–1227, https://doi.org/10.1126/science.1213847
Zobacz w Google Scholar

Pentland 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).
Zobacz w Google Scholar

Pentland Alex, Heibeck Tracy (2008), Honest Signals. How They Shape Our World, The MIT Press, Cambridge.
Zobacz w Google Scholar

Pérez 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.2007.53
Zobacz w Google Scholar

Pérez 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).
Zobacz w Google Scholar

Peterson Brian G., Carl Peter (2020), PerformanceAnalytics: Econometric Tools for Performance and Risk Analysis, https://cran.r-project.org/package=PerformanceAnalytics (dostęp: 25.07.2019).
Zobacz w Google Scholar

Petrov 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).
Zobacz w Google Scholar

Piatetsky 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).
Zobacz w Google Scholar

Piatetsky 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).
Zobacz w Google Scholar

Piatetsky 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).
Zobacz w Google Scholar

Piatetsky 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).
Zobacz w Google Scholar

Piatetsky 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).
Zobacz w Google Scholar

Piotrowski Andrzej (1998), Ład interakcji. Studia z socjologii interpretatywnej, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
Zobacz w Google Scholar

Polanyi Michael (2005), Personal Knowledge. Towards a Post-Critical Philosophy, Routledge, London.
Zobacz w Google Scholar

Pontificia 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).
Zobacz w Google Scholar

Pontificia 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).
Zobacz w Google Scholar

Portmess 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/s10676-014-9357-2
Zobacz w Google Scholar

Postman Neil (2004), Technolpol. Triumf techniki nad kulturą, Wydawnictwo Muza, Warszawa.
Zobacz w Google Scholar

Powers 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).
Zobacz w Google Scholar

Prendki 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).
Zobacz w Google Scholar

Press 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-brute-force-of-deep-blue-and-deep-learning/#741dad3249e3 (dostęp: 10.07.2019).
Zobacz w Google Scholar

Princeton Alumni Weekly (2012), John D. Hunter ’90, https://paw.princeton.edu/memorial/john-d-hunter-’90 (dostęp: 4.10.2018).
Zobacz w Google Scholar

Prokulski 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).
Zobacz w Google Scholar

Prokulski 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).
Zobacz w Google Scholar

Provost 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.2013.1508
Zobacz w Google Scholar

Przanowski Karol (2014), Credit Scoring w erze Big Data, Oficyna Wydawnicza Szkoła Główna Handlowa w Warszawie, Warszawa.
Zobacz w Google Scholar

Przegalińska Aleksandra (2014), Nawroty bylejakości, „dwutygodnik.com”, nr 10(144).
Zobacz w Google Scholar

Przegalińska 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).
Zobacz w Google Scholar

Przegalińska Aleksandra (2016a), Ciało i umysł – wstęp kuratorski, [w:] E. Drygalska (red.), Interfejsy, kody, symbole. Przyszłość komunikowania, Miasto Przyszłości/Laboratorium Wrocław, Wrocław, s. 11–19.
Zobacz w Google Scholar

Przegalińska Aleksandra (2016b), Istoty wirtualne. Jak fenomenologia zmieniała sztuczną inteligencję, Towarzystwo Autorów i Wydawców Prac Naukowych Universitas, Kraków.
Zobacz w Google Scholar

Przegalińska Aleksandra (2016c), Konflikt generacyjny wśród botów: między ELIZĄ, Cleverbotem a Tay, [w:] V. Kuś (red.), Live’Bot, E-naukowiec, Bydgoszcz, s. 10–14.
Zobacz w Google Scholar

Przegalińska 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.
Zobacz w Google Scholar

Przybyłowska Ilona (1978), Wywiad swobodny ze standaryzowaną listą poszukiwanych informacji i możliwości jego zastosowania w badaniach socjologicznych, „Przegląd Socjologiczny”, nr 30, s. 53–63.
Zobacz w Google Scholar

Puschmann Cornelius, Burgess Jean (2014), Metaphors of big data, „International Journal of Comunication”, no. 8, s. 1690–1709.
Zobacz w Google Scholar

PwC (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).
Zobacz w Google Scholar

PyData (2018), PyData Warsaw 2018, https://pydata.org/warsaw2018/ (dostęp: 14.08.2018).
Zobacz w Google Scholar

PyLadies (2019), About: PyLadies, https://www.pyladies.com/about/ (dostęp: 12.02.2019).
Zobacz w Google Scholar

Pyszczuk Artur (2011), Programowanie w Bashu, czyli jak pisać skrypty w Linuksie, https://www.arturpyszczuk.pl/files/bash/bash.pdf (dostęp: 5.06.2019).
Zobacz w Google Scholar

Python 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).
Zobacz w Google Scholar

R Foundation (2019), CRAN – Contributed Packages, https://cran.r-project.org/web/packages/ (dostęp: 16.07.2019).
Zobacz w Google Scholar

R-Ladies (2019), About us – R-Ladies Global, https://rladies.org/about-us/ (dostęp: 12.02.2019).
Zobacz w Google Scholar

Radomski 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).
Zobacz w Google Scholar

Raji 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.
Zobacz w Google Scholar

Rajpurkar 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.1002686
Zobacz w Google Scholar

Raschka Sebastian (2018), Python. Uczenie maszynowe, Wydawnictwo Helion, Gliwice.
Zobacz w Google Scholar

Rath 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.
Zobacz w Google Scholar

Ratner 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/10.14778/3157794.3157797
Zobacz w Google Scholar

Raymond 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.
Zobacz w Google Scholar

Reitz 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).
Zobacz w Google Scholar

RENOIR (2018), RENOIR Project, http://renoirproject.eu/ (dostęp: 21.02.2018).
Zobacz w Google Scholar

Reshama Shaikh (2018), Why Women Are Flourishing In R Community But Lagging In Python, https://reshamas.github.io/why-women-are-flourishing-in-r-community-but-lagging-in-python/ (dostęp: 12.12.2018).
Zobacz w Google Scholar

Rexer Analytics (2018), Data Science Survey, http://www.rexeranalytics.com/data-science-survey.html (dostęp: 1.02.2018).
Zobacz w Google Scholar

Ribeiro 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.
Zobacz w Google Scholar

Richardson 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.
Zobacz w Google Scholar

Robertson Adi (2019), The 5 biggest announcements from Facebook’s F8 developer conference keynote, https://www.theverge.com/2019/4/30/18524068/facebook-f8-2019-keynote-highlights-summary-news-feed-messenger-instagram-oculus (dostęp: 20.05.2019).
Zobacz w Google Scholar

Rodak Olga (2017), Twitter jako przedmiot badań socjologicznych i źródło danych społecznych: perspektywa konstruktywistyczna, „Studia Socjologiczne”, nr 3(226), s. 209–236.
Zobacz w Google Scholar

Rogozhnikov Alex (2016), Jupyter (IPython) notebooks features, https://arogozhnikov.github.io/2016/09/10/jupyter-features.html (dostęp: 22.07.2019).
Zobacz w Google Scholar

Rossum Guido van (1997), Comparing Python to Other Languages, https://www.python.org/doc/essays/comparisons/ (dostęp: 16.07.2019).
Zobacz w Google Scholar

Rothenberger 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.
Zobacz w Google Scholar

RStudio (2018a), About us, https://www.rstudio.com/about/ (dostęp: 26.07.2018).
Zobacz w Google Scholar

RStudio (2018b), RStudio – RStudio Products, https://www.rstudio.com/products/rstudio/ (dostęp: 27.11.2018).
Zobacz w Google Scholar

RStudio Team (2016), RStudio: Integrated Development Environment for R, http://www.rstudio.com/ (dostęp: 27.11.2018).
Zobacz w Google Scholar

RStudio Team (2017), RStudio IDE: Cheat Sheet, https://www.rstudio.org/links/ide_cheat_sheet (dostęp: 27.11.2018).
Zobacz w Google Scholar

Rumelhart 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/10.1038/323533a0
Zobacz w Google Scholar

Russel Stuart J., Norvig Peter (2009), Artificial Intelligence: A Modern Approach, Prentice Hall, New Jersey.
Zobacz w Google Scholar

Rybicki 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/fqr031
Zobacz w Google Scholar

Ryciak Norbert (2019), Danetyka, czyli o polskim tłumaczeniu Data Science, https://www.kodolamacz.pl/blog/data-science-po-polsku/ (dostęp: 22.01.2020).
Zobacz w Google Scholar

Sadowski Jathan (2019), When data is capital: Datafication, accumulation, and extraction, „Big Data & Society”, vol. 6(1), 205395171882054, https://doi.org/10.1177/2053951718820549
Zobacz w Google Scholar

Saltz 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).
Zobacz w Google Scholar

Sato Kaz (2016), How a Japanese cucumber farmer is using deep learning and TensorFlow, https://cloud.google.com/blog/products/gcp/how-a-japanese-cucumber-farmer-is-using-deep-learning-and-tensorflow?authuser=0 (dostęp: 14.06.2019).
Zobacz w Google Scholar

Satyaseel 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).
Zobacz w Google Scholar

Savage Mike, Halford Susan (2017), Speaking Sociologically with Big Data: Sym- phonic Social Science and the Future for Big Data Research, „Sociology”, vol. 51(6), s. 1132–1148, https://doi.org/10.1177/0038038517698639
Zobacz w Google Scholar

Saxena 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.2008.132
Zobacz w Google Scholar

Schmidhuber Jürgen (2015), Deep learning in neural networks: An overview, „Neural Networks”, no. 61, s. 85–117, https://doi.org/10.1016/j.neunet.2014.09.003
Zobacz w Google Scholar

Schmidt Eric, Rosenberg Jonathan, Eagle Alan (2014), Jak działa Google, Wydawnictwo Insignis Media, Kraków.
Zobacz w Google Scholar

Schulze 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-of-ai-start-ups-in-europe-not-related-to-ai-mmc-report.html (dostęp: 2.04.2019).
Zobacz w Google Scholar

Schutten 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).
Zobacz w Google Scholar

Schwartz 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).
Zobacz w Google Scholar

scikit-learn (2018), About us – scikit-learn 0.20.1 documentation, https://scikit-learn.org/stable/about.html#citing-scikit-learn (dostęp: 4.07.2018).
Zobacz w Google Scholar

SciPy.org (b.d.), https://scipy.org/index.html (dostęp: 13.08.2018).
Zobacz w Google Scholar

Scriptol.com (2006), List of Hello World Programs in 200 Programming Languages, https://www.scriptol.com/programming/hello-world.php (dostęp: 15.07.2019).
Zobacz w Google Scholar

Sefala 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).
Zobacz w Google Scholar

Sekercioglu 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).
Zobacz w Google Scholar

Sharif 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).
Zobacz w Google Scholar

Sharp Sight (2016), Data Science Crash Course, http://www.sharpsightlabs.com/ (dostęp: 5.11.2017).
Zobacz w Google Scholar

Sharp Sight (2018), R vs Python... which to learn for data science, https://www.sharpsightlabs.com/blog/r-vs-python/ (dostęp: 14.08.2018).
Zobacz w Google Scholar

Shaw Zed A. (2014), Learn Python the Hard Way: a very simple introduction to the terrifyingly beautiful world of computers and code, Addison-Wesley, Donnelley.
Zobacz w Google Scholar

Shead 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).
Zobacz w Google Scholar

Shiab 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).
Zobacz w Google Scholar

Shibutani Tamotsu (1955), Reference Groups as Perspectives, „American Journal of Sociology”, vol. 60(6), s. 562–569, https://doi.org/10.1086/221630
Zobacz w Google Scholar

Silaparasetty Vinita (2018), Python vs R for Machine Learning, [w:] International Conference on Security, Garden City University, Bangalore, s. 1–19.
Zobacz w Google Scholar

Silge Julia, Robinson David (2018), Text Mining with R: A Tidy Approach, O’Reilly, Boston, https://www.tidytextmining.com/ (dostęp: 10.02.2019).
Zobacz w Google Scholar

Silver 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.aar6404
Zobacz w Google Scholar

Silver 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/nature24270
Zobacz w Google Scholar

Silver 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/nature16961
Zobacz w Google Scholar

Silverman David (2010), Prowadzenie badań jakościowych, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Simonite 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).
Zobacz w Google Scholar

Singularity University (2018) Peter Norvig – Mentor – Singularity University, https://su.org/mentors/peter-norvig/ (dostęp: 1.08.2018).
Zobacz w Google Scholar

Skeet Jon (2010), Writing the perfect question, https://codeblog.jonskeet.uk/2010/08/29/writing-the-perfect-question/ (dostęp: 9.09.2019).
Zobacz w Google Scholar

Skura Małgorzata, Lisicki Michał (2018), Gen liczby: jak dzieci uczą się matematyki?, Wydawnictwo Mamania, Warszawa.
Zobacz w Google Scholar

Slowikowski Kamil (2019), ggrepel: Automatically Position Non-Overlapping Text Labels with ‘ggplot2’, https://cran.r-project.org/package=ggrepel (dostęp: 9.09.2019).
Zobacz w Google Scholar

Smart 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).
Zobacz w Google Scholar

Somers 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).
Zobacz w Google Scholar

Somers 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).
Zobacz w Google Scholar

Sopyła Krzysztof (2017), Podsumowanie ankiety Data Science Polska 2017, https://ksopyla.com/data-science/podsumowanie-ankiety-data-science-polska-2017/ (dostęp: 10.10.2017).
Zobacz w Google Scholar

Sopyła Krzysztof (2019), Dlaczego porzuciłem Tensorflow na rzecz Pytorch, https://ksopyla.com/machine-learning/pytorch-vs-tensorflow/ (dostęp: 19.03.2019).
Zobacz w Google Scholar

Sorensen 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).
Zobacz w Google Scholar

Sotrender (2018), Sotrender. No-bullshit analytics. Analyze and optimize your marketing over social media, https://www.sotrender.com/pl/team/ (dostęp: 1.12.2018).
Zobacz w Google Scholar

Soubra 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).
Zobacz w Google Scholar

Spector 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/10.1145/2209249.2209262
Zobacz w Google Scholar

Spinellis Diomidis (2005), Version control systems, „IEEE Software”, vol. 22(5), s. 108–109, https://doi.org/10.1109/MS.2005.140
Zobacz w Google Scholar

Staniak Mateusz, Biecek Przemysław (2018), Explanations of model predictions with live and breakDown packages, http://arxiv.org/abs/1804.01955 (dostęp: 1.12.2019).
Zobacz w Google Scholar

Staniak Mateusz, Biecek Przemyslaw (2019), The Landscape of R Packages for Automated Exploratory Data Analysis, http://arxiv.org/abs/1904.02101 (dostęp: 1.12.2019).
Zobacz w Google Scholar

Star 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/10.1177/030631289019003001
Zobacz w Google Scholar

StatCounter (2019), Desktop Operating System Market Share Worldwide, https://gs.statcounter.com/os-market-share/desktop/ (dostęp: 18.09.2019).
Zobacz w Google Scholar

Strauss Anselm L. (1978), A Social World Perspective, „Studies in Symbolic Inter- action”, no. 1, s. 119–28.
Zobacz w Google Scholar

Strauss Anselm L. (1984), Social Worlds and Their Segmentation Processes, [w:] N. Denzin (red.), Studies in Symbolic Interaction, JAI Press, Greenwitch, s. 123–139.
Zobacz w Google Scholar

Strauss Anselm L. (1993), Continual Permutations of Action, Aldine de Gruyter, New York.
Zobacz w Google Scholar

Strauss Anselm L., Corbin Juliet (1990), Basics of Qualitative Research. Grounded Theory Procedures and Techniques, Sage, Newbury Park−London−New Delhi.
Zobacz w Google Scholar

Striphas Ted (2015), Algorithmic culture, „European Journal of Cultural Studies”, vol. 18(4–5), s. 395–412, https://doi.org/10.1177/1367549415577392
Zobacz w Google Scholar

Strong 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).
Zobacz w Google Scholar

Sumbul Michel (2014), Big Data problematic, https://whatsbigdata.be/category/big-data-overview/ (dostęp: 30.01.2017).
Zobacz w Google Scholar

Sumpter 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.
Zobacz w Google Scholar

Surma Jerzy (2017), Cyfryzacja życia w erze big data. Człowiek, biznes, państwo, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Surowiecki 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).
Zobacz w Google Scholar

switchup (2018), 2018 Best Data Science Bootcamps, https://www.switchup.org/rankings/best-data-science-bootcamps (dostęp: 21.02.2018).
Zobacz w Google Scholar

System Wspomagania Analiz i Decyzji GUS (2019), Miasta największe pod względem liczby ludności, http://swaid.stat.gov.pl/Dashboards/Miasta%20najwi%C4%99ksze%20pod%20wzgl%C4%99dem%20liczby%20ludno%C5%9Bci.aspx (dostęp: 11.06.2019).
Zobacz w Google Scholar

Szahaj Andrzej (2004), Zniewalająca moc kultury. Artykuł i szkice z filozofii kultury, poznania i polityki, Wydawnictwo Uniwersytetu Mikołaja Kopernika, Toruń.
Zobacz w Google Scholar

Szeliga Marcin (2017), Data science i uczenie maszynowe, Wydawnictwo Naukowe PWN, Warszawa.
Zobacz w Google Scholar

Szpunar Magdalena (2012), Nowe-Stare Medium, Wydawnictwo Instytutu Filozofii i Socjologii Polskiej Akademii Nauk, Warszawa.
Zobacz w Google Scholar

Szpunar 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.
Zobacz w Google Scholar

Szpunar Magdalena (2018), Kultura algorytmów, „Zarządzanie w Kulturze”, nr 19(1), s. 1–10, https://doi.org/10.4467/20843976ZK.18.001.8493
Zobacz w Google Scholar

Szpunar Magdalena (2019), Kultura algorytmów, Wydawnictwo ToC, Kraków.
Zobacz w Google Scholar

Szreder Mirosław (2015a), Big data wyzwaniem dla człowieka i statystyki, „Wiadomości Statystyczne”, nr 8(651), s. 1–11.
Zobacz w Google Scholar

Szreder Mirosław (2015b), Czy statystyka pozwala lepiej zrozumieć świat?, „Polityka”, 12 maja.
Zobacz w Google Scholar

Szreder Mirosław (2016) Złudzenie Big Data, „Tygodnik Powszechny”, nr 10(3478), s. 50–51.
Zobacz w Google Scholar

Szreder 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.
Zobacz w Google Scholar

Szreder Mirosław (2018b), Populacja małych frakcji, „Polityka”, 16 stycznia.
Zobacz w Google Scholar

Sztandar-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.2021.136280
Zobacz w Google Scholar

Sztompka Piotr (2007), Socjologia. Analiza społeczeństwa, Wydawnictwo Znak, Kraków.
Zobacz w Google Scholar

Szumakowicz Eugeniusz (2000), Sztuczna inteligencja – problem czy pseudoproblem?, [w:] E. Szumakowicz (red.), Granice sztucznej inteligencji. Eseje i studia, Wydawnictwo Politechniki Krakowskiej, Kraków, s. 11–42.
Zobacz w Google Scholar

Szupiluk Ryszard (2013), Dekompozycje wielowymiarowe w agregacji predykcyjnych modeli data mining, Oficyna Wydawnicza Szkoła Główna Handlowa w Warszawie, Warszawa.
Zobacz w Google Scholar

Szymielewicz Katarzyna (2017), Algorytm zwycięstwa, https://panoptykon.org/wiadomosc/algorytm-zwyciestwa (dostęp: 9.04.2018).
Zobacz w Google Scholar

Szymielewicz Katarzyna, Obem Anna (2020), Sztuczna inteligencja non-fiction, https://panoptykon.org/sztuczna-inteligencja-non-fiction (dostęp: 25.07.2020).
Zobacz w Google Scholar

Śledziewska Katarzyna, Włoch Renata (2020), Gospodarka cyfrowa. Jak nowe technologie zmieniają świat, Wydawnictwa Uniwersytetu Warszawskiego, Warszawa.
Zobacz w Google Scholar

Taddeo 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.aat5991
Zobacz w Google Scholar

Tadeusiewicz 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).
Zobacz w Google Scholar

Tadeusiewicz Ryszard, Mikrut Zbigniew (1978), Identyfikacja i modelowanie neuronu na maszynie cyfrowej, „Archiwum Automatyki i Telemechaniki”, nr 3(23), s. 345–356.
Zobacz w Google Scholar

Tarkowski 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).
Zobacz w Google Scholar

Tatman 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).
Zobacz w Google Scholar

Taylor 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).
Zobacz w Google Scholar

Taylor Linnet, Dencik Lina (2020), Constructing Commercial Data Ethics, „Technology and Regulation”, vol. 2, s. 1–10, https://doi.org/10.26116/techreg.2020.001
Zobacz w Google Scholar

TechAmerica (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).
Zobacz w Google Scholar

The 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).
Zobacz w Google Scholar

The pandas project (2018), pandas: Python Data Analysis Library, http://pandas.pydata.org/about.html (dostęp: 4.12.2018).
Zobacz w Google Scholar

Thieme Nick (2018), R Generation, „Significance”, vol. 15(4), s. 14–19, https://doi.org/10.1111/j.1740-9713.2018.01169.x
Zobacz w Google Scholar

Thomas 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/10.1177/2053951717751552
Zobacz w Google Scholar

Tocci 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).
Zobacz w Google Scholar

Tomanek 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.
Zobacz w Google Scholar

Tomanek 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.
Zobacz w Google Scholar

Torres 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).
Zobacz w Google Scholar

Törnberg 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/10.1177/2053951718811843
Zobacz w Google Scholar

Troszczyński 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.
Zobacz w Google Scholar

Trzpiot Grażyna (2017), Rozumienie Data Science, [w:] G. Trzpiot (red.), Statystyka a Data Science, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach, Katowice, s. 6–30.
Zobacz w Google Scholar

Tufte Edward R. (1983), The Visual Display of Quantitative Information, Graphics Press, Cheshire.
Zobacz w Google Scholar

Turner 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/10.24425/122482
Zobacz w Google Scholar

UNECE (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).
Zobacz w Google Scholar

Uri Therese (2015), The Strengths and Limitations fo Using Situational Analysis Groun- ded 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).
Zobacz w Google Scholar

Vaidhyanathan Siva (2018), Antisocial media. Jak Facebook oddala nas od siebie i zagraża demokracji, Grupa Wydawnicza Foksal, Warszawa.
Zobacz w Google Scholar

Van 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).
Zobacz w Google Scholar

Vanderplas Jake (2016), Conda: Myths and Misconceptions, https://jakevdp.github.io/blog/2016/08/25/conda-myths-and-misconceptions/ (dostęp: 22.07.2019).
Zobacz w Google Scholar

Vazquez 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).
Zobacz w Google Scholar

Vicknair 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/10.1145/1900008.1900067
Zobacz w Google Scholar

Vopson Melvin M. (2020), The information catastrophe, „AIP Advances”, vol. 10(8), 085014, https://doi.org/10.1063/5.0019941
Zobacz w Google Scholar

Votta 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).
Zobacz w Google Scholar

Wachter 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/ipx005
Zobacz w Google Scholar

Wagner 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.
Zobacz w Google Scholar

Walne Zgromadzenie Delegatów Polskiego Towarzystwa Socjologicznego (2012), Kodeks etyki socjologa, http://pts.org.pl/wp-content/uploads/2016/04/kodeks.pdf (dostęp: 4.04.2017).
Zobacz w Google Scholar

Wang Tricia (2013), Why Big Data Needs Thick Data, https://medium.com/ethnography-matters/why-big-data-needs-thick-data-b4b3e75e3d7 (dostęp: 7.05.2018).
Zobacz w Google Scholar

Wang 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).
Zobacz w Google Scholar

Warsaw.AI (2020), Przemysław Biecek, https://warsaw.ai/speaker/przemyslaw-biecek/ (dostęp: 5.08.2020).
Zobacz w Google Scholar

Watson 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-will-eventually-win-the-Python-versus-R-debate-in-data-science/answer/Samuel-S-Watson-1 (dostęp: 8.09.2018).
Zobacz w Google Scholar

Watson Sara M. (2015) Data is the New “__”, http://dismagazine.com/discussion/73298/sara-m-watson-metaphors-of-big-data/ (dostęp: 23.04.2018).
Zobacz w Google Scholar

Wąsowski 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).
Zobacz w Google Scholar

WDI18 (2018), Warszawskie Dni Informatyki 2018: Data Science by Data Science Warsaw, https://warszawskiedniinformatyki.pl/ (dostęp: 11.05.2018).
Zobacz w Google Scholar

Weber Max (1989), Polityka jako zawód i powołanie, Wydawnictwo Znak, Kraków.
Zobacz w Google Scholar

What 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).
Zobacz w Google Scholar

White John (2012), Julia, I Love You, http://www.johnmyleswhite.com/notebook/2012/03/31/julia-i-love-you/ (dostęp: 15.07.2019).
Zobacz w Google Scholar

White Tom (2015), Hadoop: The Definitive Guide, O’Reilly, Sebastopol.
Zobacz w Google Scholar

Why R? Foundation (2018), http://whyr.pl/ (dostęp: 11.05.2018).
Zobacz w Google Scholar

Wickham 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.2009.07098
Zobacz w Google Scholar

Wickham Hadley (2014a), Advanced R, Chapman and Hall/CRC Press, New York.
Zobacz w Google Scholar

Wickham 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).
Zobacz w Google Scholar

Wickham Hadley (2014c), Tidy Data, „Journal of Statistical Software”, vol. 59(10), s. 1–23, https://doi.org/10.18637/jss.v059.i10
Zobacz w Google Scholar

Wickham Hadley (2017), tidyverse: Easily Install and Load the “Tidyverse”, https://cran.r-project.org/package=tidyverse (dostęp: 11.05.2018).
Zobacz w Google Scholar

Wickham Hadley (2018a), Hadley Wickham, http://hadley.nz/ (dostęp: 16.01.2018).
Zobacz w Google Scholar

Wickham Hadley (2018b), profr: An Alternative Display for Profiling Information, https://cran.r-project.org/package=profr (dostęp: 3.09.2019).
Zobacz w Google Scholar

Wickham Hadley (2018c), scales: Scale Functions for Visualization, https://cran.r-project.org/package=scales (dostęp: 3.09.2019).
Zobacz w Google Scholar

Wickham Hadley (2018d), You can’t do data science in a GUI, https://www.youtube.com/watch?v=cpbtcsGE0OA (dostęp: 27.11.2018).
Zobacz w Google Scholar

Wickham Hadley (2019), Letter To A Young Maintainer – talk at Monktoberfest 2019, https://www.youtube.com/watch?v=1K7u5hkciLI (dostęp: 30.04.2020).
Zobacz w Google Scholar

Wickham 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).
Zobacz w Google Scholar

Wickham Hadley, Grolemund Garrett (2018), Język R. Kompletny zestaw narzędzi dla analityków danych, Wydawnictwo Helion, Gliwice.
Zobacz w Google Scholar

Wickham 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.01686
Zobacz w Google Scholar

Wikipedia (b.d.), Data scientist, https://pl.wikipedia.org/wiki/Data_scientist (dostęp: 13.02.2018).
Zobacz w Google Scholar

Wilke Claus O. (2019), cowplot: Streamlined Plot Theme and Plot Annotations for ‘ggplot2’, https://cran.r-project.org/package=cowplot (dostęp: 30.04.2020).
Zobacz w Google Scholar

Will 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).
Zobacz w Google Scholar

Williams 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).
Zobacz w Google Scholar

Williams 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/10.1109/52.854064
Zobacz w Google Scholar

Williams 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.1418878112
Zobacz w Google Scholar

WiMLDS (2018), http://wimlds.org/ (dostęp: 26.09.2018).
Zobacz w Google Scholar

Winner Langdon (1980), Do Artifacts Have Politics?, „Daedalus”, vol. 109(1), s. 121–136.
Zobacz w Google Scholar

Witkowska Dorota (2002), Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, Wydawnictwo C.H. Beck, Warszawa.
Zobacz w Google Scholar

Wolpert 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/10.1109/4235.585893
Zobacz w Google Scholar

Wong 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).
Zobacz w Google Scholar

Wong 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).
Zobacz w Google Scholar

Woodgate 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).
Zobacz w Google Scholar

Wrenn Mary V. (2015), Agency and neoliberalism, „Cambridge Journal of Economics”, vol. 39(5), s. 1231–1243, https://doi.org/10.1093/cje/beu047
Zobacz w Google Scholar

Wu Jeff (1997), Statistics = Data Science?, https://www2.isye.gatech.edu/~jeffwu/presentations/datascience.pdf (dostęp: 11.11.2017).
Zobacz w Google Scholar

Xie Yihui (2016), Bookdown: Authoring Books and Technical Documents with R Markdown, Chapman and Hall/CRC, New York.
Zobacz w Google Scholar

Xie Yihui, Allaire J.J., Grolemund Garrett (2018), R Markdown: The Definitive Guide, Chapman and Hall/CRC, Boca Raton.
Zobacz w Google Scholar

Xie Yihui, Thomas Amber, Hill Alison P. (2022), blogdown: Creating Websites with R Markdown, https://bookdown.org/yihui/blogdown/ (dostęp: 4.09.2019).
Zobacz w Google Scholar

Yair Gad (2007), Meritocracy, [w:] G. Ritzer (red.), The Blackwell Encyclopedia of Sociology, John Wiley & Sons, Ltd., Oxford, https://doi.org/10.1002/9781405165518.wbeosm082
Zobacz w Google Scholar

Yau Nathan (2009), Rise of the Data Scientist, https://flowingdata.com/2009/06/04/rise-of-the-data-scientist/ (dostęp: 12.12.2017).
Zobacz w Google Scholar

Yegulalp 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).
Zobacz w Google Scholar

Youtie 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/scw021
Zobacz w Google Scholar

Zagórna Anna (2020), Unia wypuściła „Białą księgę sztucznej inteligencji”, https://www.sztucznainteligencja.org.pl/unia-wypuscila-biala-ksiege-sztucznej-inteligencji/ (dostęp: 23.02.2020).
Zobacz w Google Scholar

Zaharia Matei, Franklin Michael J., Ghodsi Ali, Gonzalez Joseph, Shenker Scott, Stoica Ion, Xin Reynold S., Wendell Patrick, Das Tathagata, Armbrust Mi- chael, 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/10.1145/2934664
Zobacz w Google Scholar

Zaród Marcin (2018), Aktorzy-sieci w kolektywach hakerskich w Polsce, praca doktorska, Uniwersytet Warszawski, Warszawa.
Zobacz w Google Scholar

Zawistowska Alicja (2013) „Płeć matematyki”. Zróżnicowania osiągnięć ze względu na płeć wśród uzdolnionych uczniów, „Studia Socjologiczne”, nr 3(210), s. 75–95.
Zobacz w Google Scholar

Zeileis 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).
Zobacz w Google Scholar

Zhang 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).
Zobacz w Google Scholar

Zhao 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).
Zobacz w Google Scholar

Zuboff 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.2015.5
Zobacz w Google Scholar

Zuboff Shoshana (2019), The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power, PublicAffairs, New York.
Zobacz w Google Scholar

Żulicki 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.
Zobacz w Google Scholar

Żulicki Remigiusz (2017), Potencjał Big Data w badaniach społecznych, „Studia Socjologiczne”, nr 3(226), s. 176–207.
Zobacz w Google Scholar

Żulicki Remigiusz (2019), Pułapki myślowe data-driven. Krytyka (nie tylko) metodologiczna, „Marketing i Rynek”, nr 8(XXVI), s. 3–14, https://doi.org/10.33226/1231-7853.2019.8.1
Zobacz w Google Scholar

Żulicki 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.20.034.12052
Zobacz w Google Scholar