Maskinlæringssystemer har opnået et præstationsniveau, der er sammenligneligt med menneskers i visse genkendelsesopgaver, såsom identifikation af objekter i billeder. I denne afhandling analyseres disse historisk set enestående og nutidigt indflydelsesrige teknologier ud fra den påstand, at deres perceptuelle logik udgør en æstetik. Med fokus på aktuelle teoretiseringer af den nyeste computervision teknologi undersøger afhandlingen, hvordan brugen af visuelt materiale inden for datalogien informerer forståelsen af maskinlæringssystemers perceptuelle logik. Dataloger bruger ofte kunstnerisk materiale eller andre former for billeder som ressourcer til at bevise hypoteser om, hvordan kunstige neurale netværk udfører deres funktioner. Dette interdisciplinære projekt undersøger de æstetiske og tekniske præmisser for disse påstande ved at nærlæse tekniske beskrivelser af maskinlæringssystemer sammen med kulturel, filosofisk og æstetisk teori. Projektet påviser, at der er en uoverensstemmelse mellem den måde, hvorpå nogle dataloger benytter kunst til at teoretisere maskinlæring, og den faktiske funktion af de processer, disse systemer udfører. Med en teoretisering af maskinlæringssystemers perceptuelle logik i termer, der er mere rammende for deres tekniske beskrivelse, påstår denne afhandling, at maskinlæringssystemer skaber et generativt miljø i samspil med data. Ved at beskæftige sig med de processer, som konvolutionelle neurale netværk udfører, hævdes det, at de særlige måder, hvorpå data foldes ind i disse systemers arkitektur, udgør en ny og karakteristisk æstetik, som dette projekt betegner som en ”konvolutionel æstetik”. Via identifikation af denne konventionelle æstetik fremsætter dette projekt nye forståelser for de måder, hvorpå syn
fungerer i maskinlæringssystemer og de kontekster, hvori de opererer