Machine Learning

Sven Hilbert

ISBN 10: 3658436484 / ISBN 13: 9783658436483

Published by Springer Vieweg Jul 2025, 2025

About this Item

This item is printed on demand - it takes 3-4 days longer - Neuware -Dieses Buch richtet sich an alle, welche die enormen Potenziale maschinellen Lernens für wissenschaftliche Fragestellungen und innovative Ansätze in Studium oder Beruf nutzen möchten. Denn maschinelles Lernen eröffnet neue Möglichkeiten zum effizienten Umgang mit umfassenden, komplex strukturierten und sich schnell entwickelnden Daten. Zunächst werden Grundideen und typische Anwendungsfelder maschinellen Lernens sowie dessen Vorzüge gegenüber inferenzstatistischen Verfahren erläutert. Daran schließen praktische Hinweise dazu an, wie Daten für maschinelle Lernprozesse aufbereitet werden und wie diese durch Anpassung verschiedener Parameter möglichst optimale Ergebnisse erzielen können. Von den hierzu einsetzbaren Modellen werden die gängigsten theoretisch und anhand anschaulicher Beispiele vorgestellt. Auch auf verschiedene Optionen zur besseren Interpretierbarkeit sowie auf spezifische Limitationen von Analyseresultaten wird eingegangen. Weiterführende Anwendungsfälle und verständlich kommentierte Analysecodes sind auf dem GitHub-Repositorium zu diesem Buch auf SpringerLink online verfügbar. 172 pp. Deutsch.

Seller Inventory # 9783658436483

Bibliographic Details

• Title: Machine Learning
• Publisher: Springer Vieweg Jul 2025
• Publication Date: 2025
• Language: German
• ISBN 10: 3658436484
• ISBN 13: 9783658436483
• Binding: Taschenbuch
• Condition: Neu
• Dimensions: 210W x 148H x 10D millimeters 210 millimeters width by 148 millimeters height by 10 millimeters depth
• Weight: 231 grams

About this title

Synopsis

Dieses Buch richtet sich an alle, welche die enormen Potenziale maschinellen Lernens für wissenschaftliche Fragestellungen und innovative Ansätze in Studium oder Beruf nutzen möchten. Denn maschinelles Lernen eröffnet neue Möglichkeiten zum effizienten Umgang mit umfassenden, komplex strukturierten und sich schnell entwickelnden Daten. Zunächst werden Grundideen und typische Anwendungsfelder maschinellen Lernens sowie dessen Vorzüge gegenüber inferenzstatistischen Verfahren erläutert. Daran schließen praktische Hinweise dazu an, wie Daten für maschinelle Lernprozesse aufbereitet werden und wie diese durch Anpassung verschiedener Parameter möglichst optimale Ergebnisse erzielen können. Von den hierzu einsetzbaren Modellen werden die gängigsten theoretisch und anhand anschaulicher Beispiele vorgestellt. Auch auf verschiedene Optionen zur besseren Interpretierbarkeit sowie auf spezifische Limitationen von Analyseresultaten wird eingegangen. Weiterführende Anwendungsfälle und verständlich kommentierte Analysecodes sind auf dem GitHub-Repositorium zu diesem Buch auf SpringerLink online verfügbar.

About the Author

Sven Hilbert ist Inhaber des Lehrstuhls Educational Data Science an der Universität Regensburg.

Elisabeth Kraus ist Juniorprofessorin für Methoden der Empirischen Bildungsforschung am Hector-Institut für Empirische Bildungsforschung an der Eberhard Karls Universität Tübingen.

Alfred Lindl leitet die interdisziplinäre Forschungsgruppe FALKO-PV (Fachspezifische Lehrkraftkompetenzen – Prädiktive Validierung) am Lehrstuhl Educational Data Science an der Universität Regensburg.