Diese Seite verwendet Cookies für unsere Dienste, zur Verbesserung unserer Leistungen, für Analytik und (falls Sie nicht eingeloggt sind) für Werbung. Indem Sie LibraryThing nutzen, erklären Sie dass Sie unsere Nutzungsbedingungen und Datenschutzrichtlinie gelesen und verstanden haben. Die Nutzung unserer Webseite und Dienste unterliegt diesen Richtlinien und Geschäftsbedingungen.
Ergebnisse von Google Books
Auf ein Miniaturbild klicken, um zu Google Books zu gelangen.
"A former Wall Street quantitative analyst sounds an alarm on mathematical modeling, a pervasive new force in society that threatens to undermine democracy and widen inequality,"--NoveList.
"We live in the age of the algorithm. Increasingly, the decisions that affect our lives-- where we go to school, whether we get a car loan, how much we pay for health insurance--are being made not by humans, but by mathematical models. In theory, this should lead to greater fairness: Everyone is judged according to the same rules, and bias is eliminated. But as Cathy O'Neil reveals in this urgent and necessary book, the opposite is true. The models being used today are opaque, unregulated, and uncontestable, even when they're wrong. Most troubling, they reinforce discrimination: If a poor student can't get a loan because a lending model deems him too risky (by virtue of his zip code), he's then cut off from the kind of education that could pull him out of poverty, and a vicious spiral ensues. Models are propping up the lucky and punishing the downtrodden, creating a 'toxic cocktail for democracy.' Welcome to the dark side of Big Data. Tracing the arc of a person's life, O'Neil exposes the black box models that shape our future, both as individuals and as a society. These 'weapons of math destruction' score teachers and students, sort résumés, grant (or deny) loans, evaluate workers, target voters, set parole, and monitor our health. O'Neil calls on modelers to take more responsibility for their algorithms and on policy makers to regulate their use. But in the end, it's up to us to become more savvy about the models that govern our lives. This important book empowers us to ask the tough questions, uncover the truth, and demand change."--Dust jacket.… (mehr)
alco261: Everybody Lies leans a bit optimistic, Weapons of Math Destruction leans a bit pessimistic - together they do a great job of providing a balanced understanding of big data issues
In ihrem Buch, das im Original „Weapons of Math Destruction“ heißt, beschreibt die Mathematikerin Cathy O'Neil die wenig segensreichen Aspekte der Nutzung von Big Data. Im Grunde kann ich zwei große Aspekte ausmachen: Zum einen die Entstehung der Daten: Beim Sammeln bzw. auch der Auswahl von Daten kommen natürlich menschliche Fehler, Vorurteile zum Tragen. Es ist ja zudem auch eine Frage, welche Daten überhaupt verfügbar sind. Schwarze Menschen werden beispielsweise höchst signifikant öfter von der Polizei kontrolliert, fallen öfter in die Kriminalstatistik, auch für Bagatelldelikte, wohingegen in weißen Vororten eine ähnliche Form der Kontrolle nicht stattfindet, obwohl es diese Bagatelldelikte genau so gibt. Und die richtig große Kriminalität in Formen und Banken taucht in keiner Statistik auf. Daraus resultiert aber eine Verzerrung in der Kriminalstatistik, in der Prognose von Straftaten, ganz zu schweigen von der Mühe des alltäglichen Lebens unter Generalverdacht. Welche Daten in große Datenauswertungen fallen, ist ebenfalls oftmals ein Rätsel, so zum Beispiel bei den wirklich extrem wirksamen Uni-Rankings durch amerikanische Medien. Andererseits ist natürlich die Nutzung der Daten ein ethisches Problem, wie schon bei der obigen Auswertung der Kriminalstatistik deutlich wird, aber zum Beispiel auch bei der Jobsuche – vor allem, wenn es in den Daten namensgleiche und vll, sogar am selben Tag geborene Menschen gibt und Verwechslungen vorkommen. Die Autorin nennt viele Bereiche, in denen die Big Data als „Weapon of Math Destruction“ wirkt. Bei vielen der Beispiele, die Cathy O'Neil in ihrem Buch schildert, kann man sich zum Glück denken, dass das in Deutschland nicht passieren kann. Und das liegt daran, dass hier doch vieles staatlich reglementiert ist (z.B. das Universitätssystem) – dies an die Adresse derjenigen, die immer von zu vielen Verboten faseln. Wo alles freigegeben ist, gewinnen halt in der Regel nicht die Schwachen. Dennoch sind viele der Beispiele erschreckend plausibel und auch hier möglich und stattfindend. ( )
Die Informationen stammen von der englischen "Wissenswertes"-Seite.Ändern, um den Eintrag der eigenen Sprache anzupassen.
This book is dedicated to all the underdogs
Erste Worte
Die Informationen stammen von der englischen "Wissenswertes"-Seite.Ändern, um den Eintrag der eigenen Sprache anzupassen.
"When I was a little girl, I used to gaze at the traffic out the car window and study the numbers on license plate. I would reduce each one to its basic elements -- the prime numbers that made it up. 45 = 3 x 3 x 5. That's called factoring, and it was my favorite investigative pastime. As a budding math nerd, I was especially intrigued by the primes."
Zitate
Letzte Worte
Die Informationen stammen von der englischen "Wissenswertes"-Seite.Ändern, um den Eintrag der eigenen Sprache anzupassen.
Math deserves much better than WMDs, and democracy does too.
Literaturhinweise zu diesem Werk aus externen Quellen.
Wikipedia auf Englisch
Keine
▾Buchbeschreibungen
"A former Wall Street quantitative analyst sounds an alarm on mathematical modeling, a pervasive new force in society that threatens to undermine democracy and widen inequality,"--NoveList.
"We live in the age of the algorithm. Increasingly, the decisions that affect our lives-- where we go to school, whether we get a car loan, how much we pay for health insurance--are being made not by humans, but by mathematical models. In theory, this should lead to greater fairness: Everyone is judged according to the same rules, and bias is eliminated. But as Cathy O'Neil reveals in this urgent and necessary book, the opposite is true. The models being used today are opaque, unregulated, and uncontestable, even when they're wrong. Most troubling, they reinforce discrimination: If a poor student can't get a loan because a lending model deems him too risky (by virtue of his zip code), he's then cut off from the kind of education that could pull him out of poverty, and a vicious spiral ensues. Models are propping up the lucky and punishing the downtrodden, creating a 'toxic cocktail for democracy.' Welcome to the dark side of Big Data. Tracing the arc of a person's life, O'Neil exposes the black box models that shape our future, both as individuals and as a society. These 'weapons of math destruction' score teachers and students, sort résumés, grant (or deny) loans, evaluate workers, target voters, set parole, and monitor our health. O'Neil calls on modelers to take more responsibility for their algorithms and on policy makers to regulate their use. But in the end, it's up to us to become more savvy about the models that govern our lives. This important book empowers us to ask the tough questions, uncover the truth, and demand change."--Dust jacket.
Welche Daten in große Datenauswertungen fallen, ist ebenfalls oftmals ein Rätsel, so zum Beispiel bei den wirklich extrem wirksamen Uni-Rankings durch amerikanische Medien.
Andererseits ist natürlich die Nutzung der Daten ein ethisches Problem, wie schon bei der obigen Auswertung der Kriminalstatistik deutlich wird, aber zum Beispiel auch bei der Jobsuche – vor allem, wenn es in den Daten namensgleiche und vll, sogar am selben Tag geborene Menschen gibt und Verwechslungen vorkommen.
Die Autorin nennt viele Bereiche, in denen die Big Data als „Weapon of Math Destruction“ wirkt. Bei vielen der Beispiele, die Cathy O'Neil in ihrem Buch schildert, kann man sich zum Glück denken, dass das in Deutschland nicht passieren kann. Und das liegt daran, dass hier doch vieles staatlich reglementiert ist (z.B. das Universitätssystem) – dies an die Adresse derjenigen, die immer von zu vielen Verboten faseln. Wo alles freigegeben ist, gewinnen halt in der Regel nicht die Schwachen. Dennoch sind viele der Beispiele erschreckend plausibel und auch hier möglich und stattfindend. ( )