Dieses Buch beschreibt Theorie und Anwendungen aus dem Bereich des Online Maschine Learnings (OML), wobei der Fokus auf Verfahren des überwachten Lernens liegt. Es werden Verfahren zur Drifterkennung und -behandlung beschrieben. Verfahren zur nachträglichen Aktualisierung der Modelle sowie Methoden zur Modellbewertung werden dargestellt. Besondere Anforderungen aus der amtlichen Statistik (unbalancierte Daten, Interpretierbarkeit, etc.) werden berücksichtigt. Aktuelle und mögliche Anwendungen werden aufgelistet. Ein Überblick über die verfügbaren Software-Tools wird gegeben. Anhand von zwei Studien ("simulierten Anwendungen") werden Vor- und Nachteile des OML-Einsatz in der Praxis experimentell analysiert.
Das Buch eignet sich als Handbuch für Experten, Lehrbuch für Anfänger und wissenschaftliche Publikation, da es den neuesten Stand der Forschung wiedergibt. Es kann auch als OML-Consulting dienen, indem Entscheider und Praktiker OML anpassen und für ihre Anwendung einsetzen, um abzuwägen, ob die Vorteile die Kosten aufwiegen.
Inhaltsverzeichnis
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.
Es wurden noch keine Bewertungen abgegeben. Schreiben Sie die erste Bewertung zu "Online Machine Learning" und helfen Sie damit anderen bei der Kaufentscheidung.