Kooperativer Bibliotheksverbund

UID:

Format: 1 online resource (164 pages)

Edition: 1st ed.

ISBN: 9783658425050

Note: Intro -- Vorwort -- Inhaltsverzeichnis -- Autorenverzeichnis -- 1 Einleitung: Vom Batch Machine Learning zum Online Machine Learning -- 1.1 Datenströme -- 1.2 Nachteile des Batch-Lernens -- 1.2.1 Speicherbedarf -- 1.2.2 Drift -- 1.2.3 Neue, unbekannte Daten -- 1.2.4 Zugänglichkeit und Verfügbarkeit der Daten -- 1.2.5 Weitere Probleme -- 1.3 Inkrementelles Lernen, Online-Lernen und Stream-Lernen -- 1.4 Überführung des Batch Machine Learning in das Online Machine Learning -- 2 Supervised Learning: Klassifikation und Regression -- 2.1 Klassifikation -- 2.1.1 Baselinealgorithmen -- 2.1.2 Der naive Bayes-Klassifikator -- 2.1.3 Baumbasierte Verfahren -- 2.1.4 Weitere Klassifikationsverfahren -- 2.2 Regression -- 2.2.1 Online Linear Regression -- 2.2.2 Hoeffding Tree Regressor -- 2.3 Ensemble-Methoden für Online Machine Learning -- 2.4 Clustering -- 2.5 Übersicht: Online Machine Learning-Verfahren -- 3 Drifterkennung und -behandlung -- 3.1 Architekturen für Driftbehandlungsmethoden -- 3.1.1 Adaptive Schätzer -- 3.1.2 Change Detectors -- 3.1.3 Ensemblebasierte Ansätze -- 3.2 Grundlegende Überlegungen zu Fenstertechniken -- 3.3 Populäre Verfahren zur Drifterkennung -- 3.3.1 Statistische Tests zur Drifterkennung und Change Detection -- 3.3.2 Kontrollkarten (Drift Detection Method) -- 3.3.3 Adaptive Windowing -- 3.3.4 Implizite Drifterkennungsalgorithmen -- 3.4 Online Machine Learning Algorithmen mit Drifterkennung: Hoeffding Window Trees -- 3.4.1 Concept-adapting Very Fast Decision Trees -- 3.4.2 Hoeffding Adaptive Trees -- 3.4.3 Übersicht: Hoeffding Window Trees -- 3.4.4 Übersicht: HT in river -- 4 Initiale Auswahl und nachträgliche Aktualisierung von oml-Modellen -- 4.1 Initiale Modellauswahl -- 4.2 Modelländerungen -- 4.2.1 Hinzufügen neuer Merkmale -- 4.2.2 Manuelle Modelländerungen als Reaktion auf Drift. , 4.2.3 Sicherstellung der Modellgüte nach einem Modellupdate -- 4.3 Katastrophales Vergessen -- 4.3.1 Definition: Katastrophales Vergessen -- 4.3.2 Methoden gegen das katastrophale Vergessen -- 5 Evaluation und Performanzmessung -- 5.1 Auswahlmethode -- 5.1.1 Holdout -- 5.1.2 Progressive Validierung: Interleaved test-then-train -- 5.1.3 Maschinelles Lernen im Batch-Verfahren mit einem Vorhersagehorizont -- 5.1.4 Landmark Batch Machine Learning mit einem Vorhersagehorizont -- 5.1.5 Window Batch Machine Learning mit einem Vorhersagehorizont -- 5.1.6 Online Machine Learning mit einem Vorhersagehorizont -- 5.1.7 Online-Maschinelles Lernen -- 5.2 Bestimmung des Training- und Testdatensatzes im Paket spotRiver -- 5.2.1 Methoden für Batch Machine Learning und Online Machine Learning -- 5.2.2 Methoden für Online Machine Learning (River) -- 5.3 Performanz des Algorithmus/Modells -- 5.4 Datenstrom- und Driftgeneratoren -- 5.4.1 Data-Stream-Generatoren in den scikit-Paketen -- 5.4.2 SEA-Drift-Generator -- 5.4.3 Friedman-Drift-Generator -- 5.5 Zusammenfassung -- 6 Besondere Anforderungen an oml-Verfahren -- 6.1 Fehlende Daten, Imputation -- 6.2 Kategorische Attribute -- 6.3 Ausreißer -- 6.3.1 Weitere Anomalieerkennungsverfahren für Zeitreihen -- 6.3.2 One-Class Support Vector Machine zur Anomalieerkennung -- 6.3.3 Verfügbare Algorithmen zur Anomalieerkennung in river -- 6.4 Unbalancierte (unausgewogene) Daten -- 6.5 Große Anzahl an Features (Attributen) -- 6.6 FAIR, Interpretierbarkeit und Erklärbarkeit -- 7 Praxisanwendungen -- 7.1 Anwendungen und Anwendungsperspektiven in der amtlichen Statistik -- 7.1.1 Potenziale und Herausforderungen -- 7.1.2 Vereinbarkeit mit Qualitätskriterien -- 7.1.3 Einbettung in den Statistikproduktionsprozess -- 7.1.4 (Online-)Machine-Learning-Anwendungen in Statistikinstitutionen. , 7.2 Andere Anwendungen mit Bezug zur amtlichen Statistik -- 7.2.1 Immobilienpreise -- 7.2.2 Pandemie-Vorhersagen -- 7.2.3 Stimmungsvorhersagen für Wahlen -- 7.2.4 Nowcasting für Wirtschaftsindizes -- 7.3 Aspekte bezüglich des Praxiseinsatzes -- 7.3.1 Unterschiede im Deployment-Prozess bei Batch Machine Learning- und Online Machine Learning-Ansätzen -- 7.3.2 Personalaufwand -- 8 Open-Source-Software für Online Machine Learning -- 8.1 Übersicht und Beschreibung der Softwarepakete -- 8.1.1 Massive Online Analysis -- 8.1.2 Massive Online Analysis in R -- 8.1.3 stream -- 8.1.4 river -- 8.2 Softwareumfang -- 8.3 Vergleich der Programmiersprachen -- 9 Ein experimenteller Vergleich von Batch- und Online-Machine-Learning-Algorithmen -- 9.1 Studie: Bike Sharing -- 9.1.1 Modellübersicht -- 9.1.2 Lineare Regression -- 9.1.3 Gradient Boosting -- 9.1.4 Hoeffding-Regressionsbäume -- 9.1.5 Abschließender Vergleich der Bike-Sharing-Experimente -- 9.1.6 Zusammenfassung: Bike-Sharing-Experimente -- 9.2 Studie: Sehr große Datensätze mit Drift -- 9.2.1 Der Friedman-Drift-Datensatz -- 9.2.2 Algorithmen -- 9.2.3 Ergebnisse -- 9.3 Zusammenfassung -- 10 Hyperparameter-Tuning -- 10.1 Hyperparameter-Tuning: Eine Einführung -- 10.2 Die Hyperparameter-Tuning-Software Sequential Parameter Optimization Toolbox -- 10.3 Studie: Hyperparameter-Tuning des Hoeffding Adaptive Tree Regressor-Algorithmus auf den Friedman-Drift-Daten -- 10.3.1 Laden der Daten -- 10.3.2 Spezifikation des Vorverarbeitungsmodells -- 10.3.3 Auswahl des zu tunenden Algorithmus und der Defaulthyperparameter -- 10.3.4 Modifikation der Defaultwerte für die Hyperparameter -- 10.3.5 Auswahl der Zielfunktion (Loss-Funktion) -- 10.3.6 Aufruf des Hyperparameter Tuners Sequential Parameter Optimization Toolbox -- 10.3.7 Ergebnisse des Hoeffding Adaptive Tree Regressor-Tunings -- 10.3.8 Erklärbarkeit und Verständnis. , 10.4 Zusammenfassung -- 11 Zusammenfassung und Ausblick -- 11.1 Notwendigkeit für OML-Verfahren -- 11.2 Empfehlungen für die Online Machine Learning-Praxis -- A Definitionen und Erläuterungen -- A.1 Gradientenabstieg -- A.2 Satz von Bayes -- A.3 Hoeffding-Schranke -- A.4 Kappa-Statistiken -- Zusatzmaterial -- B.1 Notebooks -- B.2 Software -- Glossary -- Literatur -- Stichwortverzeichnis.

Additional Edition: ISBN 9783658425043

Language: German