Machine Learners : Archéologie d'une pratique de données

Note :   (4,6 sur 5)

Machine Learners : Archéologie d'une pratique de données (Adrian MacKenzie)

Avis des lecteurs

Il n'y a actuellement aucun avis de lecteur. La note est basée sur 5 votes.

Titre original :

Machine Learners: Archaeology of a Data Practice

Contenu du livre :

Si l'apprentissage automatique transforme la nature de la connaissance, transforme-t-il également la pratique de la pensée critique ?

L'apprentissage automatique, qui consiste à programmer des ordinateurs pour qu'ils apprennent à partir de données, s'est répandu dans les disciplines scientifiques, les médias, les divertissements et les gouvernements. La recherche médicale, les véhicules autonomes, le traitement des transactions de crédit, les jeux informatiques, les systèmes de recommandation, la finance, la surveillance et la robotique utilisent l'apprentissage automatique. Les dispositifs d'apprentissage automatique (parfois compris comme des modèles scientifiques, parfois comme des algorithmes opérationnels) ancrent le domaine de la science des données. Ils sont également devenus des mécanismes banals profondément ancrés dans toute une série de systèmes et de gadgets. Dans des contextes allant du quotidien à l'ésotérique, l'apprentissage automatique est censé transformer la nature de la connaissance. Dans cet ouvrage, Adrian Mackenzie cherche à savoir si l'apprentissage automatique transforme également la pratique de la pensée critique.

Mackenzie se concentre sur les apprenants automatiques - soit les humains et les machines, soit les relations homme-machine - situés dans des contextes, des données et des dispositifs. Les paramètres vont de l'IRMf à Facebook ; les données vont des images de chats aux séquences d'ADN ; les dispositifs comprennent les réseaux neuronaux, les machines à vecteurs de support et les arbres de décision. Il examine des algorithmes d'apprentissage spécifiques - en écrivant du code et en écrivant sur le code - et développe une archéologie des opérations qui, à la suite de Foucault, considère l'apprentissage automatique comme une forme de production de connaissances et une stratégie de pouvoir. En explorant les couches d'abstraction, les infrastructures de données, les pratiques de codage, les diagrammes, les formalismes mathématiques et l'organisation sociale de l'apprentissage automatique, Mackenzie retrace l'architecture généralement invisible de l'une des zones centrales des cultures technologiques contemporaines.

Le récit de Mackenzie sur l'apprentissage automatique localise les endroits où le sens de l'action peut s'enraciner. Son archéologie de la formation opérationnelle de l'apprentissage automatique ne déterre pas l'empreinte d'un monolithe stratégique, mais révèle les affluents locaux de la force qui alimentent la généralisation et la pluralité du domaine.

Autres informations sur le livre :

ISBN :9780262036825
Auteur :
Éditeur :
Reliure :Relié
Année de publication :2017
Nombre de pages :272

Achat:

Actuellement disponible, en stock.

Je l'achète!

Autres livres de l'auteur :

Cutting Code ; Logiciel et socialité - Cutting Code; Software and Sociality
Les logiciels ont souvent été marginalisés dans les récits sur les cultures...
Cutting Code ; Logiciel et socialité - Cutting Code; Software and Sociality
Machine Learners : Archéologie d'une pratique de données - Machine Learners: Archaeology of a Data...
Si l'apprentissage automatique transforme la...
Machine Learners : Archéologie d'une pratique de données - Machine Learners: Archaeology of a Data Practice
Machine Learners - Archaeology of a Data Practice (Mackenzie Adrian (Professor Lancaster...
Si l'apprentissage automatique transforme la nature...
Machine Learners - Archaeology of a Data Practice (Mackenzie Adrian (Professor Lancaster University))

Les œuvres de l'auteur ont été publiées par les éditeurs suivants :

© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)