Parte 2: Epistemologia
17 ore fa
Dopo aver letto questo articolo, spero che tu abbia una comprensione pratica di come migliaia di anni di profonda riflessione sulla conoscenza si applicano al tuo lavoro quotidiano di data scientist.
Questa è la seconda puntata di una serie su come i concetti filosofici mi hanno aiutato nel mio lavoro di data scientist. Il primo articolo riguarda il determinismo (collegamento); una specifica teoria metafisica. Questo articolo coprirà più scuole di pensiero che rientrano nel campo filosofico chiamato epistemologia.
Epistemologia è lo studio di ciò che possiamo Sapere e come possiamo Sapere Esso. È lo studio della conoscenza stessa. Ciò si lega molto bene con la scienza dei dati, poiché stiamo cercando di acquisire conoscenza dai dati!
L’epistemologia è lo studio di ciò che possiamo Sapere e come possiamo Sapere Esso. È lo studio della conoscenza stessa.
Ecco cosa tratteremo:
- Ragionamento induttivo vs. deduttivo
- Scetticismo
- Pragmatismo
Ragionamento induttivo vs. deduttivo
Il ragionamento è il modo in cui razionalizziamo e difendiamo la conoscenza. È il motivo sappiamo qualcosa. Esistono diversi tipi di ragionamento, ma penso che i più comuni (e i più applicabili) siano il ragionamento deduttivo e induttivo.
Ragionamento deduttivo
Il ragionamento deduttivo crea una conclusione che è il risultato logico delle premesse. Nel ragionamento deduttivo, le premesse e gli argomenti creano un sistema chiuso. Se le premesse sono corrette e la logica è priva di errori, abbiamo una ragione infallibile per credere alla conoscenza che proponiamo (la parte “quindi” o “allora” dell’argomentazione).
In altre parole, se assumiamo che le premesse siano vere, la conclusione di un argomento deduttivo è conoscenza! Naturalmente, il terreno di battaglia per le argomentazioni deduttive (supponendo che non vi siano errori logici) è se le premesse siano effettivamente vere o meno.
Di seguito è riportato un esempio molto semplice di ragionamento deduttivo:
Fonte: towardsdatascience.com
