Custom cover image
Custom cover image

Online Machine Learning : Eine praxisorientierte Einführung / herausgegeben von Thomas Bartz-Beielstein, Eva Bartz

Contributor(s): Resource type: Ressourcentyp: Buch (Online)Book (Online)Language: German Publisher: Wiesbaden : Springer Fachmedien Wiesbaden, 2024Publisher: Wiesbaden : Imprint: Springer Vieweg, 2024Edition: 1st ed. 2024Description: 1 Online-Ressource(XV, 154 S. 52 Abb., 40 Abb. in Farbe.)ISBN:
  • 9783658425050
Subject(s): Additional physical formats: 9783658425043 | Erscheint auch als: Online Machine Learning. Druck-Ausgabe. Wiesbaden$o[Heidelberg] : Springer Vieweg, 2024. XV, 154 SeitenDDC classification:
  • 006.3 23
DOI: DOI: 10.1007/978-3-658-42505-0Online resources: Summary: 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.Summary: 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. 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. Die Autoren Prof. Dr. Thomas Bartz-Beielstein 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. Eva Bartz 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. Die herausragende Arbeit der Unternehmensberatung führte zur Erstellung einer Expertise für das Statistische Bundesamt, aus der schließlich dieses wegweisende Buch entstand.PPN: PPN: 1896933963Package identifier: Produktsigel: ZDB-2-SEB | ZDB-2-STI
No physical items for this record
KIT – The Research University in the Helmholtz Association                         Home | Impressum | Datenschutz | Barrierefreiheit | KIT