Machine Learning: Eine Einführung Für Psychologie, Geistes- Und Sozialwissenschaften

Maschinelles Lernen (ML) bietet einen Rahmen f die Analyse hochdimensionaler Datens酹ze 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踄hst jedoch rapide und kontinuierlich. Algorithmen, die im Rahmen von ML eingesetzt werden sind vielf鄟tig bezlich ihrer mathematischen Ans酹ze und ihres Einsatzgebiets. Dieses Buch gibt einen 鈁erblick der g鄚gigen 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酹zen 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酹zen beinhaltet. Das Buch soll Wissenschaftlern und Praktikern helfen, sich mit den Chancen und Herausforderung immer gr?erer und komplexerer digitaler Datens酹ze vertraut zu machen. Hierbei wird auf mathematischer wie auf inhaltlicher Ebene ein Verst鄚dnis der grundlegenden Funktionsweisen mit Detailwissen in einzelnen Bereichen verbunden.