Details
Online Machine Learning
Eine praxisorientierte Einführung1. Aufl. 2024
|
CHF 29.00 |
|
| Verlag: | Springer Vieweg |
| Format: | |
| Veröffentl.: | 22.07.2024 |
| ISBN/EAN: | 9783658425050 |
| Sprache: | deutsch |
Dieses eBook enthält ein Wasserzeichen.
Beschreibungen
<p>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.</p>
<p>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.</p>
<p>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.</p>
<p>Einleitung: Theorie und Anwendungen von Online Machine Learning.-Supervised Learning: Klassifikation und Regression.- Drifterkennung und -behandlung.- Initiale Auswahl und nachträgliche Aktualisierung von OML-Modellen.- Evaluation, Performance-Messung.- Besondere Anforderungen.- Anwendungen.- Software.- Simulierte Anwendungen.- Zusammenfassung und Ausblick.</p>
<p><strong>Prof. Dr. Thomas Bartz-Beielstein</strong> ist ein 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) hat er sich auf die Forschung in den Bereichen KI, maschinelles Lernen, Simulation und Optimierung spezialisiert. Seine Arbeit umfasst eine Vielzahl von Themen aus der angewandten Mathematik und Statistik, Versuchsplanung, simulationsbasierter Optimierung und Anwendungen in Bereichen wie Wasserwirtschaft, Aufzugssteuerung und Maschinenbau.<br>
<br>
<strong>Eva Bartz </strong>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.</p>
<p>Die herausragende Arbeit der Unternehmensberatung führte zur Erstellung einer Expertise für das Statistische Bundesamt, aus der schließlich dieses wegweisende Buch entstand.</p>
<br>
<strong>Eva Bartz </strong>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.</p>
<p>Die herausragende Arbeit der Unternehmensberatung führte zur Erstellung einer Expertise für das Statistische Bundesamt, aus der schließlich dieses wegweisende Buch entstand.</p>
<div><div>Entdecken Sie die faszinierende Welt des Online Machine Learning (OML) mit dieser umfassenden Einführung! Dieses Buch bietet einen fundierten Einblick in die Prinzipien und Anwendungen des OMLs. Es liefert 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 entdecken Sie aktuelle und mögliche Anwendungen von OML und erhalten einen umfassenden Überblick über verfügbare Software-Tools. Zudem werden in praxisorientierten Fallstudien die Vor- und Nachteile des OML-Einsatzes veranschaulicht.<br>Eine Diskussion zentraler Themen wie die Interpretierbarkeit von KI-Modellen, die Herausforderungen mit unbalancierten Daten und die Vorteile von OML für Green IT runden das Buch ab. Es liefert wichtige Ratschläge für alle, die Streaming-Data auswerten möchten und dabei an die Grenzen der klassischen Batch-Verfahren stoßen. Es bietet eine solide Grundlage und einen praktischen Leitfaden für den erfolgreichen Einsatz von OML.<br></div><div><b><br></b></div><div><b><br></b></div><div><b>Die </b><b>Autoren</b><p></p></div></div><div><p><b>Prof. Dr. Thomas Bartz-Beielstein</b> ist ein 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) hat er sich auf die Forschung in den Bereichen KI, maschinelles Lernen, Simulation und Optimierung spezialisiert. Seine Arbeit umfasst eine Vielzahl von Themen aus der angewandten Mathematik und Statistik, Versuchsplanung, simulationsbasierter Optimierung und Anwendungen in Bereichen wie Wasserwirtschaft, Aufzugssteuerung und Maschinenbau.<br><b>Eva Bartz </b>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.<br><br></p><p>Die herausragende Arbeit der Unternehmensberatung führte zur Erstellung einer Expertise für das Statistische Bundesamt, aus der schließlich dieses wegweisende Buch entstand.<br></p></div>
Zeigt die Vorteile von Online Machine Learning gegenüber Batch Machine Learning Bietet Wissen und Einschätzungen von erfahrenen Experten Mit Quelltext und Beispielen für die Anwendung in der Praxis
Diese Produkte könnten Sie auch interessieren:
