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

Remigiusz Żulicki

doi:10.18778/8331-110-4

Keywords: data science, artificial intelligence, social worlds, digital sociology, sociology of work, symbolic interactionism

Published: 30 December 2022

Categories: Sociology, Open Access

Downloads

PDF

Czy sztuczna inteligencja pozbawia nas pracy? Algorytmy przejmują władzę nad światem? Czy big data sprawia, że jesteśmy bezustannie inwigilowani? Czy ogromna ilość danych zastępuje ekspertów i naukowców? Cokolwiek sądzimy na te tematy, jedno jest pewne – istnieje heterogeniczne środowisko ludzi, zajmujących się tzw. „sztuczną inteligencją” czy tzw. „big data” od strony technicznej i metodologicznej. Pole ich działania nazywane jest data science, a oni data scientists. Ta książka poświęcona jest właśnie im, polskiemu środowisku data science. Jest to pierwsza monografia socjologiczna dotycząca data science i pierwsza praca w naukach społecznych, w której data science zostało zbadane jako społeczny świat w rozumieniu Adele E. Clarke. To podejście pozwala spojrzeć na data science, nazwane dekadę wstecz w Harvard Business Review „najseksowniejszym zawodem XXI w.”, zarówno z perspektywy jego uczestników jak i z lotu ptaka, w relacji do akademii, biznesu, prawa, mediów czy polityki.

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.

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

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).

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

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

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).

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

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

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

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

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).

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).

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

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).

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).

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).

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

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

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

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

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

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).

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

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

Angrosino Michael (2010), Badania etnograficzne i obserwacje, Wydawnictwo Naukowe PWN, Warszawa.

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).

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).

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

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).

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

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).

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

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

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

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

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

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

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

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).

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

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

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).

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

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

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

Bauman Zygmunt, Lyon David (2013), Płynna inwigilacja. Rozmowy, Wydawnictwo Literackie, Kraków.

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

Becker Howard (1986), Doing Things Together, Northwestern University Press, Evanston.

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

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

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

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

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

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

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).

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

Biecek Przemysław (2017), Przewodnik po pakiecie R, Oficyna Wydawnicza GiS, Wrocław.

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).

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

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

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

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).

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

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

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

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).

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

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

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

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

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

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

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).

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

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).

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

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).

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

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).

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).

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).

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.

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

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

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

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.

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

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).

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).

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

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

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.

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

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.

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).

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

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.

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).

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).

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).

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

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.

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

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

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).

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).

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).

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).

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

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).

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

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

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

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

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).

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).

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

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

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

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

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

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).

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

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).

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).

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

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

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).

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

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

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).

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

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

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).

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

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

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).

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).

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.

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

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

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.

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

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.

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.

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.

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

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

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

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

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

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

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

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

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).

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

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

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

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).

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).

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).

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).

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

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

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

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

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

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

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).

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

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

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

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).

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

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

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).

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

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

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

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).

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

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).

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

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

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

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).

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

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

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).

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

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).

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

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).

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

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

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

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

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

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

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

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).

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).

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).

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).

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

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).

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

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

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).

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

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

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

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

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

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

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).

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

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

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).

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

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

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).

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).

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

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

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).

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

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

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).

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.

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

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

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

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).

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

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

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

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

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

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

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

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

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

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

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

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

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).

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

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.

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).

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

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

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

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

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

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).

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).

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

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).

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

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

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.

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).

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

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

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.

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).

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).

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

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.

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

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).

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

Hałas Elżbieta (2006), Interakcjonizm symboliczny, Wydawnictwo Naukowe PWN, Warszawa.

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

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).

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

Harari Yuval Noah (2018), 21 lekcji na 21 wiek, Wydawnictwo Literackie, Kraków.

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

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

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.

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.

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

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

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).

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).

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).

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).

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).

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).

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

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).

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

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

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

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.

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).

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

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

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).

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.

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

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.

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

Jacyno Małgorzata (2007), Kultura indywidualizmu, Wydawnictwo Naukowe PWN, Warszawa.

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

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).

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

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

Jemielniak Dariusz (2020), Thick Big Data, Oxford University Press, Oxford.

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

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

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).

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).

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

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

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

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

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

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

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.

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).

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

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

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

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

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

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

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

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

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

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

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).

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).

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).

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

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

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

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

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).

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).

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

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).

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

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.

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).

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).

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).

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

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

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

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

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

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).

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

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

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

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

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).

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

Krzemiński Ireneusz (1986), Symboliczny interakcjonizm i socjologia, Państwowe Wydawnictwo Naukowe, Warszawa.

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

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

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

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

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

Kuhn Thomas S. (2001), Struktura rewolucji naukowych, Fundacja Aletheia, Warszawa.

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

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).

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

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

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).

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

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

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).

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).

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).

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).

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

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

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).

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

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

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

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

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.

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).

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

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

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

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

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).

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.

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

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).

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).

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

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

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).

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).

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).

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.

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

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

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

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

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

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.

Lutyński Jan (1974), Uwagi na temat typologii wywiadów, maszynopis.

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

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).

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).

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

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

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).

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).

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.

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).

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).

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

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

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).

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).

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).

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

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).

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).

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

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).

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

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

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

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).

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

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

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

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

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

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

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

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).

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

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

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.

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

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

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).

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.

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

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).

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).

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

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

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

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

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

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

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

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

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

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

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

Myoo Sidney (2013), Ontoelektronika, Wydawnictwo Uniwersytetu Jagiellońskiego, Kraków.

Naur Peter (1974), Concise Survey of Computer Methods, Studentlitteratur, Lund.

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

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

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

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

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).

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).

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

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).

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

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.

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.

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).

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).

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

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

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).

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

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

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

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

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

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

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

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).

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

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).

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).

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

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

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

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

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

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

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

Oliphant Travis E. (2006), A guide to NumPy, Trelgol Publishing, USA.

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

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

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

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).

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).

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).

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).

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).

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).

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

Osowski Stanisław (2013), Metody i narzędzia eksploracji danych, Wydawnictwo BTC, Warszawa.

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).

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

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

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

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

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.

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).

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).

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

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.

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

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).

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

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).

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).

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.

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

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).

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

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

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).

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).

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).

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).

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).

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).

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).

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).

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

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

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).

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).

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

Postman Neil (2004), Technolpol. Triumf techniki nad kulturą, Wydawnictwo Muza, Warszawa.

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).

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).

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).

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

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).

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).

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

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

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

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).

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.

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

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

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.

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

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

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).

PyData (2018), PyData Warsaw 2018, https://pydata.org/warsaw2018/ (dostęp: 14.08.2018).

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

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

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).

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

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

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).

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.

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

Raschka Sebastian (2018), Python. Uczenie maszynowe, Wydawnictwo Helion, Gliwice.

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.

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

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.

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).

RENOIR (2018), RENOIR Project, http://renoirproject.eu/ (dostęp: 21.02.2018).

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).

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

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.

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.

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).

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

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

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

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.

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

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

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

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

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

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

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

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

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

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).

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).

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).

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

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

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

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

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).

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).

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).

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).

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

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

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).

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).

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).

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

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

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.

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).

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).

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

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

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

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

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

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

Silverman David (2010), Prowadzenie badań jakościowych, Wydawnictwo Naukowe PWN, Warszawa.

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).

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

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

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

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

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).

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).

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).

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

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

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).

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

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).

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

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

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

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).

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

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

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

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

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

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

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

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).

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

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.

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

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).

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

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).

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

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

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

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.

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

Szpunar Magdalena (2019), Kultura algorytmów, Wydawnictwo ToC, Kraków.

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

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

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

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.

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

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

Sztompka Piotr (2007), Socjologia. Analiza społeczeństwa, Wydawnictwo Znak, Kraków.

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.

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

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

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

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

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

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).

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

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).

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).

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).

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

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).

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).

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

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

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

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).

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.

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.

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).

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

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.

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

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

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

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).

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).

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

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).

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

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).

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

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

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).

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

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.

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).

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).

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).

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

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).

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

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).

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

Weber Max (1989), Polityka jako zawód i powołanie, Wydawnictwo Znak, Kraków.

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).

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

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

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

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

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

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).

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

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

Wickham Hadley (2018a), Hadley Wickham, http://hadley.nz/ (dostęp: 16.01.2018).

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

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

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

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

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).

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

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

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

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

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).

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).

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

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

WiMLDS (2018), http://wimlds.org/ (dostęp: 26.09.2018).

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

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

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

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).

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).

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).

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

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

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

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

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

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

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

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).

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

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

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

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

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

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).

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).

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).

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

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

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.

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

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

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

Downloads

Download data is not yet available.

License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

How to Cite

Żulicki, Remigiusz. 2022. Data Science: Najseksowniejszy zawód XXI Wieku W Polsce. Big Data, Sztuczna Inteligencja I PowerPoint. Poland: Lodz University Press. https://doi.org/10.18778/8331-110-4.