Machine Learning

Maschinelles Lernen (ML) bietet einen Rahmen f?r die Analyse hochdimensionaler Datens?tze 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, w?chst jedoch rapide und kontinuierlich. Algorithmen, die im Rahmen von ML eingesetzt werden sind vielf?ltig bez?glich ihrer mathematischen Ans?tze und ihres Einsatzgebiets. Dieses Buch gibt einen ?berblick der g?ngigen 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 Ans?tzen 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 Datens?tzen beinhaltet. Das Buch soll Wissenschaftlern und Praktikern helfen, sich mit den Chancen und Herausforderung immer gr? erer und komplexerer digitaler Datens?tze vertraut zu machen. Hierbei wird auf mathematischer wie auf inhaltlicher Ebene ein Verst?ndnis der grundlegenden Funktionsweisen mit Detailwissen in einzelnen Bereichen verbunden.