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.

Autorentext

Prof. Dr. Thomas Bartz-Beielstein ist 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) forscht er in den Bereichen KI, maschinelles Lernen, Simulation und Optimierung.

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.

Klappentext

Entdecken Sie die faszinierende Welt des Online Machine Learning (OML)! Dieses Buch bietet einen fundierten Einblick in die Prinzipien und Anwendungen des OML. Sie finden 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 erhalten Sie einen umfassenden Überblick über verfügbare Software-Tools wie River. Zudem werden in praxisorientierten Fallstudien die Vor- und Nachteile des OML-Einsatzes veranschaulicht.
Eine Diskussion zentraler Themen wie die Interpretierbarkeit von KI-Modellen, den Umgang mit unbalancierten Daten und den Einsatz von Hyperparameter-Tuning runden das Buch ab. Es liefert wichtige Ratschläge für alle, die an die Grenzen der klassischen Batch-Verfahren stoßen. Es bietet eine Grundlage und einen praktischen Leitfaden für den erfolgreichen Einsatz von OML.
Das Buch eignet sich gleichermaßen als Handbuch für Expertinnen und Experten und als Lehrbuch für den Einstieg.

Die Herausgebenden

Prof. Dr. Thomas Bartz-Beielstein ist 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) forscht er in den Bereichen KI, maschinelles Lernen, Simulation und Optimierung.

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.

Inhalt

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.