Online Machine Learning

• Titel: Online Machine Learning
• Titelzusatz: Eine praxisorientierte Einführung
• Mitwirkende: Bartz-Beielstein, Thomas [HerausgeberIn]
• Mitwirkende: Bartz, Eva [HerausgeberIn]
• Verf.angabe: herausgegeben von Thomas Bartz-Beielstein, Eva Bartz
• Ausgabe: 2nd ed. 2024.
• Verlagsort: Wiesbaden
• Verlagsort: Wiesbaden
• Verlag: Springer Fachmedien Wiesbaden
• Verlag: Imprint: Springer Vieweg
• E-Jahr: 2024
• Jahr: 2024.
• Jahr: 2024.
• Umfang: 1 Online-Ressource(XIII, 167 S. 51 Abb., 40 Abb. in Farbe.)
• ISBN: 978-3-658-46162-1
• DOI: doi:10.1007/978-3-658-46162-1
• Schlagwörter: (s)Maschinelles Lernen
• Datenträger: Online-Ressource
• Sprache: ger
• Bibliogr. Hinweis: Erscheint auch als : Druck-Ausgabe: Online Machine Learning. - 2. Auflage. - Wiesbaden : Springer Vieweg, 2024. - xiii, 167 Seiten
• Sach-SW: Artificial intelligence
• Sach-SW: COMPUTERS / Artificial Intelligence
• Sach-SW: COMPUTERS / Database Management / General
• Sach-SW: Databases
• Sach-SW: Datenbanken
• Sach-SW: Künstliche Intelligenz
• Sach-SW: MATHEMATICS / Probability & Statistics / General
• Sach-SW: Machine learning
• Sach-SW: Maschinelles Lernen
• K10plus-PPN: 190336759X
• K10plus-PPN:
  Universitätsbibliothek
• Lokale URL UB: Zum Volltext
• Lokale URL UB: Bibliothek der Medizinischen Fakultät Mannheim der Universität Heidelberg
• Bibliothek/Idn: UW / m4582829716
• Lokale URL Inst.: Zum Volltext

Abstract

Einleitung: Vom Batch Machine Learning zum Online Machine Learning -- Supervised Learning: Klassifikation und Regression -- Drifterkennung und -Behandlung -- Initiale Auswahl und nachträgliche Aktualisierung von OML Modellen -- Evaluation und Performance-Messung -- Besondere Anforderungen an OML-Verfahren -- Praxisanwendungen -- Open-Source-Software für Online Machine Learning -- Ein experimenteller Vergleich von Batch- und Online Machine Learning-Algorithmen -- Hyperparameter Tuning -- Zusammenfassung und Ausblick.

Abstract

Entdecken Sie die faszinierende Welt des Online Machine Learning (OML)! Dieses Buch bietet einen fundierten Einblick in die Prinzipien und Anwendungen des OML. Sie finden detaillierte Beschreibungen von wichtigen Aspekten wie Drifterkennung und -behandlung, Aktualisierung von Modellen und Methoden zur Modellbewertung. Erfahren Sie mehr über die Ergebnisse einer umfangreichen Studie, die in enger Zusammenarbeit mit dem renommierten Statistischen Bundesamt durchgeführt wurde. Diese Studie beleuchtet die besonderen Anforderungen aus der amtlichen Statistik und zeigt, ob und wie OML darauf eingehen kann. In diesem Buch erhalten Sie einen umfassenden Überblick über verfügbare Software-Tools wie River. Zudem werden in praxisorientierten Fallstudien die Vor- und Nachteile des OML-Einsatzes veranschaulicht. Eine Diskussion zentraler Themen wie die Interpretierbarkeit von KI-Modellen, den Umgang mit unbalancierten Daten und den Einsatz von Hyperparameter-Tuning runden das Buch ab. Es liefert wichtige Ratschläge für alle, die an die Grenzen der klassischen Batch-Verfahren stoßen. Es bietet eine Grundlage und einen praktischen Leitfaden für den erfolgreichen Einsatz von OML. Das Buch eignet sich gleichermaßen als Handbuch für Expertinnen und Experten und als Lehrbuch für den Einstieg. Die Herausgebenden Prof. Dr. Thomas Bartz-Beielstein ist Experte für KI mit über 30 Jahren Erfahrung. Als Professor für Angewandte Mathematik an der TH Köln und Leiter des Instituts für Data Science, Engineering und Analytics (IDE+A) forscht er in den Bereichen KI, maschinelles Lernen, Simulation und Optimierung. Eva Bartz ist auf KI und Datenschutz spezialisierte Juristin. Seit 2014 führt sie die angesehene Unternehmensberatung Bartz & Bartz GmbH. Diese bietet KI-basierte Lösungen für die Praxis in industriellen Anwendungen an. Die herausragende Arbeit der Unternehmensberatung führte zur Erstellung einer Expertise für das Statistische Bundesamt, aus der schließlich dieses wegweisende Buch entstand.