Machine Learning

Maschinelles Lernen (ML) bietet einen Rahmen fr die Analyse hochdimensionaler Datenstze durch Modellierung komplexer, oft non-linearer Beziehungen. Der Einfluss von ML-Methoden auf Forschung und praktische Anwendungen in der Psychologie, den Geistes-, und Sozialwissenschaften ist immer noch begrenzt, wchst jedoch rapide und kontinuierlich. Im Rahmen von ML eingesetzte Algorithmen sind vielfltig bezglich ihrer mathematischen Anstze und ihres Einsatzgebiets. Dieses Buch gibt einen berblick der gngigen Verfahren, ihrer Philosophie, Funktionsweisen und Anwendung. Methodisch werden Verbindungen zu und Gemeinsamkeiten mit inferenzstatistischen Anstzen beleuchtet. Hierbei werden besonders die verschiedenen philosophischen Perspektiven, Resampling Verfahren und das Zusammenspiel von Bias und Varianz behandelt. Ein weiterer Schwerpunkt liegt auf der praktischen Anwendung von ML bei konkreten Fragestellungen empirischer Wissenschaften, was auch notwendige Voraussetzungen der Datenstrukturen und Preprocessing von Datenstzen beinhaltet. Dieses Buch soll Wissenschaftlern und Praktikern helfen, sich mit den Chancen und Herausforderung immer grerer und komplexerer digitaler Datenstze vertraut zu machen.