Dieses Buch beschreibt Theorie und Anwendungen aus dem Bereich des Online Maschine Learnings (OML), wobei der Fokus auf Verfahren des erwachten Lernens liegt. Es werden Verfahren zur Drifterkennung und -behandlung beschrieben. Verfahren zur nachtr輍lichen Aktualisierung der Modelle sowie Methoden zur Modellbewertung werden dargestellt. Besondere Anforderungen aus der amtlichen Statistik (unbalancierte Daten, Interpretierbarkeit, etc.) werden berksichtigt. Aktuelle und m鐷liche Anwendungen werden aufgelistet. Ein 鈁erblick er die verfbaren Software-Tools wird gegeben. Anhand von zwei Studien ("simulierten Anwendungen") werden Vor- und Nachteile des OML-Einsatz in der Praxis experimentell analysiert.
Notes for the information text: 1. Erster systematischer Vergleich von OML und BML hinsichtlich Performanz, Zeit- und Speicherbedarf2. Gute Einfrung, umfassend, mit Softwarepaketen3. Erfahrungen aus der Praxis (Top-Experten)4. OML als Green-IT Vorgehen (Ressourcenschonung), Tiny-ML, sehr geringer Zeit-, Speicherbedarf im Vergleich zu BML (DeepLearning)5. Erl酳terung, wie OML angepasst werden kann (Hyperparameter-Tuning)6. Zeigt, was mit OML m鐷lich ist und erlaubt Einsch酹zung, ob Einsatz sinnvoll ist
