Online Machine Learning
Springer Vieweg (Verlag)
978-3-658-42504-3 (ISBN)
- Titel erscheint in neuer Auflage
- Artikel merken
- 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
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.
Prof. Dr. Thomas Bartz-Beielstein ist ein renommierter Experte für künstliche Intelligenz 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 künstliche Intelligenz, maschinelles Lernen, Simulation und Optimierung spezialisiert. Er ist der Entwickler der Sequentiellen Parameteroptimierung (SPO), einem innovativen Ansatz, der surrogatmodellbasierte Optimierung und evolutionäres Rechnen integriert. 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.
Eva Bartz ist Juristin und Datenschützerin mit einer Spezialisierung auf Datenschutz und künstliche Intelligenz. Mit ihrem fundierten Fachwissen und ihrer Leidenschaft für den Schutz persönlicher Daten hat sie sich als eine Expertin auf diesem Gebiet etabliert.
Als geschäftsführende Gesellschafterin der Bartz & Bartz GmbH führt sie seit 2014 eine angesehene Unternehmensberatung, die sich auf Konsultationen und Lösungen zu Datenschutz und Künstlicher Intelligenz spezialisiert hat. Hier steht die Praxis im Vordergrund. Die herausragende Arbeit der Unternehmensberatung führte zur Erstellung einer Expertise für das Statistische Bundesamt, aus der schließlich dieses wegweisende Buch entstand.
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.
| Erscheinungsdatum | 24.07.2024 |
|---|---|
| Zusatzinfo | Illustrationen |
| Verlagsort | Wiesbaden |
| Sprache | deutsch |
| Maße | 168 x 240 mm |
| Einbandart | kartoniert |
| Themenwelt | Mathematik / Informatik ► Informatik ► Datenbanken |
| Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik | |
| Schlagworte | Data Science • Datenstrom • Echtzeit • internet of things • IOT • machine learning • OML • Python |
| ISBN-10 | 3-658-42504-0 / 3658425040 |
| ISBN-13 | 978-3-658-42504-3 / 9783658425043 |
| Zustand | Neuware |
| Haben Sie eine Frage zum Produkt? |
aus dem Bereich
