Titlebook: Online Machine Learning; Eine praxisorientier Thomas Bartz-Beielstein,Eva Bartz Book 20241st edition Der/die Herausgeber bzw. der/die Autor

Aromatic

LANCE

https://doi.org/10.1007/978-3-658-42505-0Python; OML; Data Science; Internet of Things; Datenstrom; Echtzeit; Machine Learning; IoT

chronicle

cauda-equina

Praxisanwendungen,ng in nationalen und internationalen Statistikinstitutionen evaluiert. Erg?nzend werden in Abschn.?. ausgew?hlte Beispiele, die denen der amtlichen Statistik sehr nahe sind, dargestellt. Generelle, für den Praxiseinsatz wichtige Aspekte werden in Abschn.?. kurz zusammengefasst.

Pathogen

Hyperparameter-Tuning,nn. Neben der Optimierung des OML-Verfahrens ist das mit Sequential Parameter Optimization Toolbox (SPOT) durchgeführte Hyperparameter Tuning (HPT) auch für die Erkl?rbarkeit und Interpretation von OML-Verfahren von Bedeutung und kann zu einem effizienteren und somit ressourcenschonenden Algorithmus führen (?Green IT“).

嘲笑

VEIL

,Open-Source-Software für Online Machine Learning, an die sich eine Beschreibung der entsprechenden Pakete anschlie?t. Anschlie?end gibt Abschn.?. einen vergleichenden überblick über den Umfang der einzelnen Softwarepakete. Das Kapitel schlie?t mit einem Vergleich der wichtigsten Programmiersprachen im Bereich Machine Learning (ML) (Abschn.?.).

脫離

Ein experimenteller Vergleich von Batch- und Online-Machine-Learning-Algorithmen,rliegen, die mit einer Drift versehen sind. Hierfür wird der synthetische Friedman-Drift-Datensatz (siehe Definition?.) verwendet. Alle Datens?tze wurden mit der .-Methode standardisiert, so dass die Modelle auf Daten mit Mittelwert null und Standardabweichung eins trainiert wurden.

頌揚(yáng)本人

,Initiale Auswahl und nachtr?gliche Aktualisierung von OML-Modellen,rgessen (katastrophale Interferenz) wird in Abschn.?. im OML-Kontext betrachtet: Die kontinuierliche Aktualisierung der OML-Modelle birgt das Risiko, dass dieses Lernen nicht erfolgreich ist, wenn korrekt gelernte ?ltere Zusammenh?nge f?lschlicherweise vergessen (entlernt, engl. ?de-learned“) werden.

同義聯(lián)想法