{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"00b53386-166c-4d03-bcf3-987d55c93423","title":"算法权力与政治","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9780190493042","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"00b53386-166c-4d03-bcf3-987d55c93423","id":"00b53386-166c-4d03-bcf3-987d55c93423","uuid":"00b53386-166c-4d03-bcf3-987d55c93423","title":"算法权力与政治","normalized_title":"算法权力与政治","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9780190493042","isbns":["9780190493042","9780190493059"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":200,"navigation_url":"https://workshop.closeclaw.top/ai/book/00b53386-166c-4d03-bcf3-987d55c93423","title_url":"https://workshop.closeclaw.top/ai/title/%E7%AE%97%E6%B3%95%E6%9D%83%E5%8A%9B%E4%B8%8E%E6%94%BF%E6%B2%BB","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/00b53386-166c-4d03-bcf3-987d55c93423/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/00b53386-166c-4d03-bcf3-987d55c93423/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/00b53386-166c-4d03-bcf3-987d55c93423","page_url":"https://workshop.closeclaw.top/api/ai/books/00b53386-166c-4d03-bcf3-987d55c93423/page","search_url":"https://workshop.closeclaw.top/api/ai/books/00b53386-166c-4d03-bcf3-987d55c93423/search"},"page":{"printed_page":162,"pdf_page":172,"physical_index":172,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"225bb6447141f82ed3384b24424f16318bb0977aa24bac9fabecfdba2714e749"},"chapter":"第二章","content":"以及数据挖掘的步骤，包括定义目标变量，标记和收集训练数据，选择特征，并根据生成的模型做出决策。\n\n11.被称为朴素贝叶斯的概率模型或分类器通常为垃圾邮件过滤器提供动力。有关朴素贝叶斯分类器的历史和工作原理的更多信息，请参阅多明戈斯(2015:151-153)或Rieder(2017)。根据多明戈斯的说法，它应该是bb0岁时最常用的学习器。\n\n12. 见Barocas & Selbst(2016: 9)关于信誉度。\n\n13.经验法则和通过不同参数值在数据子集上的表现进行系统搜索(交叉验证)，这也经常被使用。\n\n14. 根据2014年12月31日咨询Facebook编辑部的数据:http://newsroom.fb.com/products。\n\n15.机器学习中的神经网络并不完全像大脑一样工作，而只是受到大脑被认为是学习方式的启发。第一个神经元的正式模型是由WarrenMcCulloch和Walter Pitts在1943年提出的。直到1957年，弗兰克罗森布拉特(FrankRosenblatt)以感知器的概念开创了神经网络，人们才认为神经元能够学习识别图像中的简单模式。有关神经网络早期历史的更多信息，请参见Minsky & Papert(1969)和M.Olazaran(1996)。关于神经网络和深度学习领域的文献综述，例如参见J.Schmidhuber(2015)。\n\n16.有关谷歌图像识别如何使用深度学习和神经网络工作的更多信息，请参阅http://googleresearch.blogspot.dk/2015/06/inceptionism-going-deeper-into-neural.html.\n\n17.贝叶斯定理是统计学和机器学习的核心，尽管贝叶斯定理对概率的含义可能与统计学家使用该概念的方式不同。正如多明戈斯(Domingos,2015)所解释的那样，统计学家通常遵循更严格的“频率主义者”对概率的解释。\n\n18. 关于关键算法研究的最全面的参考书目，由Tarleton Gillespie和Nick Seaver整理，请参见:https:/socialmediacollective.org/reading-lists/critical-algorithm-studies(最后一次访问，2016年5月2日)。\n\n19.对编码技能的需求是软件研究中讨论最多的话题之一。虽然了解编写代码的原理、编程语言的一些语法以及计算机的工作原理肯定会有所帮助，但算法社会学家需要知道如何编码并不比电视学者需要知道机械工程多。\n\n20.关于“算法文化”的概念，也见Galloway(2006b);库什纳(2013)。\n\n21.关于福柯权力概念的概述，见Lemke,2012;福比昂，1994;拉宾诺，1994。福柯的公开讲座(1970年至1984年去世期间，作为他担任“思想系统史”主席的一部分，在法兰西学院举行)提供了对他的各种权力概念的全面调查，包括纪律权力的概念(福柯，2015年)，生物权力(福柯，2007年，2008年)，和牧灵力量(福柯，2007)。福柯在《主体与权力》(1982)的文本中提供了一个经典的陈述，说明他如何理解权力的概念以及如何研究权力。\n\n22.然而，福柯关于无所不在的权力的思想，有着更长的历史哲学传统，至少可以追溯到哲学家巴鲁克·斯宾诺莎(1632-1677)，他以实体一元论的形而上学而闻名，认为一切都是一个本体论实体(上帝或自然)的“模式”。一元论通常与笛卡尔的二元论或认为世界是由两类基本的事物或原则构成的观点形成对比。对于斯宾诺莎来说，模式(或实体的子集)总是处于与其他模式(即人、动物、事物等)建立关系的过程中。正如简·贝内特(JaneBennett)所说，斯宾诺莎的自然是“一个地方，在那里，身体通过与附近的其他身体结成联盟来努力增强自己的活动能力”(2004:353)。福柯将权力理解为无所不在和相互关系的方式与斯宾诺莎的一元论及其内在因果关系的概念相似，见Juniper&Jose,2008;德勒兹，1988。\n\n23.把关是指信息通过各种“门”从发送者流向接收者。守门人的概念最初是由社会心理学家库尔特·勒温(KurtLewin)于1947年提出的，作为一种解释新闻研究和信息科学的方法，守门人的概念对新闻研究和信息科学至关重要\n\n162\n\nNOTES TO PAGES 26–34","previous_page":161,"next_page":163}