Machine Learning

Dieses Buch fhrt in gngige Verfahren Maschinellen Lernens (ML), insbesondere ihre Philosophie, Funktionsweisen und Anwendungen ein. Ein Schwerpunkt liegt auf der praktischen Anwendung von ML bei konkreten Fragestellungen empirischer Wissenschaften, was auch notwendige Voraussetzungen der Datenstrukturen und Preprocessing von Datenstzen beinhaltet. Das Buch hilft Wissenschaftlern und Praktikern dabei, sich mit den Chancen und Herausforderung immer grerer und komplexerer digitaler Datenstze vertraut zu machen. Es beleuchtet auch Verbindungen zu und Gemeinsamkeiten mit inferenzstatistischen Anstzen, besonders die unterschiedlichen Philosophien, Resampling Verfahren und das Zusammenspiel von Bias und Varianz. Um die mathematischen Hintergrnde nachvollziehbar zu machen, wird ein rechnerisches Schritt fr Schritt-Beispiel fr jedes Modell vorgestellt, mathematisch komplexe Beispiele sind ausgelagert und finden sich im elektronischen Zusatzmaterial. Zustzlich werden Anwendungsbeispiele mit Analysecode angeboten, welche auf dem GitHub-Repositorium auf der Produktseite des Buches auf SpringerLink online zur Verfgung stehen.