Maschinelles Lernen - Archäologie einer Datenpraxis (Mackenzie Adrian (Professor der Lancaster University))

Bewertung:   (4,6 von 5)

Maschinelles Lernen - Archäologie einer Datenpraxis (Mackenzie Adrian (Professor der Lancaster University)) (Adrian Mackenzie)

Leserbewertungen

Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 5 Stimmen.

Originaltitel:

Machine Learners - Archaeology of a Data Practice (Mackenzie Adrian (Professor Lancaster University))

Inhalt des Buches:

Wenn das maschinelle Lernen das Wesen des Wissens verändert, verändert es dann auch die Praxis des kritischen Denkens?

Maschinelles Lernen - das Programmieren von Computern, um aus Daten zu lernen - hat sich in allen wissenschaftlichen Disziplinen, in den Medien, in der Unterhaltung und in der Regierung verbreitet. Medizinische Forschung, autonome Fahrzeuge, Kreditabwicklung, Computerspiele, Empfehlungssysteme, Finanzen, Überwachung und Robotik nutzen maschinelles Lernen. Maschinelles Lernen (manchmal als wissenschaftliche Modelle, manchmal als operationelle Algorithmen verstanden) ist die Grundlage für den Bereich der Datenwissenschaft. Sie sind auch zu alltäglichen Mechanismen geworden, die tief in eine Vielzahl von Systemen und Geräten eingebettet sind. In Kontexten, die von alltäglich bis esoterisch reichen, soll das maschinelle Lernen das Wesen des Wissens verändern. In diesem Buch geht Adrian Mackenzie der Frage nach, ob maschinelles Lernen auch die Praxis des kritischen Denkens verändert.

Mackenzie konzentriert sich auf maschinelle Lerner - entweder Menschen und Maschinen oder Mensch-Maschine-Beziehungen -, die in verschiedenen Umgebungen, Daten und Geräten eingesetzt werden. Die Einstellungen reichen von fMRI bis Facebook; die Daten reichen von Katzenbildern bis zu DNA-Sequenzen; die Geräte umfassen neuronale Netze, Support-Vektor-Maschinen und Entscheidungsbäume. Er untersucht spezifische Lernalgorithmen - das Schreiben von Code und das Schreiben über Code - und entwickelt eine Archäologie der Operationen, die, in Anlehnung an Foucault, maschinelles Lernen als eine Form der Wissensproduktion und eine Strategie der Macht betrachtet. Durch die Untersuchung von Abstraktionsebenen, Dateninfrastrukturen, Kodierungspraktiken, Diagrammen, mathematischen Formalismen und der sozialen Organisation des maschinellen Lernens zeichnet Mackenzie die meist unsichtbare Architektur einer der zentralen Zonen der zeitgenössischen technologischen Kulturen nach.

Mackenzies Darstellung des maschinellen Lernens macht Orte ausfindig, an denen ein Gefühl der Handlungsfähigkeit Wurzeln schlagen kann. Seine Archäologie der operativen Formation des maschinellen Lernens legt nicht den Fußabdruck eines strategischen Monolithen frei, sondern offenbart die lokalen Zuflüsse der Kraft, die in die Generalisierung und Pluralität des Feldes einfließen.

Weitere Daten des Buches:

ISBN:9780262537865
Autor:
Verlag:
Untertitel:Archaeology of a Data Practice
Einband:Taschenbuch
Erscheinungsjahr:2017
Seitenzahl:272

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Cutting Code; Software und Sozialität - Cutting Code; Software and Sociality
Software wird in Darstellungen über digitale Kulturen und...
Cutting Code; Software und Sozialität - Cutting Code; Software and Sociality
Maschinelle Lerner: Archäologie einer Datenpraxis - Machine Learners: Archaeology of a Data...
Wenn das maschinelle Lernen das Wesen des Wissens...
Maschinelle Lerner: Archäologie einer Datenpraxis - Machine Learners: Archaeology of a Data Practice
Maschinelles Lernen - Archäologie einer Datenpraxis (Mackenzie Adrian (Professor der Lancaster...
Wenn das maschinelle Lernen das Wesen des Wissens...
Maschinelles Lernen - Archäologie einer Datenpraxis (Mackenzie Adrian (Professor der Lancaster University)) - Machine Learners - Archaeology of a Data Practice (Mackenzie Adrian (Professor Lancaster University))

Die Werke des Autors wurden von folgenden Verlagen veröffentlicht:

© Book1 Group - Alle Rechte vorbehalten.
Der Inhalt dieser Seite darf weder teilweise noch vollständig ohne schriftliche Genehmigung des Eigentümers kopiert oder verwendet werden.
Letzte Änderung: 2024.11.13 22:11 (GMT)