Machine Learning

Maschinelles Lernen (ML) bietet einen Rahmen fr die Analyse hochdimensionaler Datenstze durch Modellierung komplexer, oft non-linearer Beziehungen. Der Einfluss von ML-Methoden auf die Forschung und praktische Anwendungen in den Sozial- und Bildungswissenschaften ist immer noch begrenzt, wchst jedoch rapide und kontinuierlich. Algorithmen, die im Rahmen von ML eingesetzt werden sind vielfltig bezglich ihrer mathematischen Anstze und ihres Einsatzgebiets. Dieses Buch gibt einen berblick der gngigen Verfahren, insbesondere ihrer Philosophie, Funktionsweisen und Anwendung. Sowohl die Nutzung klassischer linearer Regressionsmodelle im ML-Framework als auch Baum-basierte und regularisierte Regressionsverfahren werden einzeln behandelt und in das Gesamtbild der Analyse mit ML eingeordnet. Methodisch werden Verbindungen zu und Gemeinsamkeiten mit inferenzstatistischen Anstzen beleuchtet. Hierbei wird besonders die verschiedenen philosophischen Perspektiven, (geschachtelte) Resampling Verfahren und das Zusammenspiel von Bias und Varianz. Ein weiterer Schwerpunkt liegt auf der praktischen Anwendung von ML auf konkrete Fragestellung empirischer Sozialwissenschaften, welche auch die notwenigen Voraussetzungen der Datenstrukturen und Preprocessing von Datenstzen beinhaltet. Das Buch soll Wissenschaftlern und Praktikern helfen, sich mit den Chancen und Herausforderung immer grerer und komplexerer digitaler Datenstze vertraut zu machen. Hierbei wird auf mathematischer wie auf inhaltlicher Ebene ein Verstndnis der grundlegenden Funktionsweisen mit Detailwissen in einzelnen Bereichen verbunden.