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.

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

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.

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.