Besondere Anforderungen an OML-Verfahren

Thomas Bartz-Beielstein ()
Additional contact information
Thomas Bartz-Beielstein: TH Köln, Institut Data Science, Engineering, and Analytics

Chapter Kapitel 6 in Online Machine Learning, 2024, pp 67-73 from Springer

Abstract: Zusammenfassung Dieses Kapitel untersucht, ob Online Machine Learning (OML)- Algorithmen im Hinblick auf typische Praxis-Herausforderungen wie beispielsweise fehlende Daten (Abschnitt 6.1), kategorische Attribute (Abschnitt 6.2), Ausreißer (Abschnitt 6.3), Imbalanced Data (Abschnitt 6.4), oder eine extrem hohe Anzahl an Variablen (Abschnitt 6.5) besondere Schritte und Überlegungen im Vergleich zu Batch Learning erfordern. Abschnitt 6.6 beschreibt wichtige Aspekte wie Fairness (Fair Machine Learning (ML)) oder Interpretierbarkeit (Interpretable ML) im Kontext von OML-Algorithmen.

Date: 2024
References: Add references at CitEc
Citations:

There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:spr:sprchp:978-3-658-46162-1_6

Ordering information: This item can be ordered from
http://www.springer.com/9783658461621

DOI: 10.1007/978-3-658-46162-1_6

Access Statistics for this chapter

More chapters in Springer Books from Springer
Bibliographic data for series maintained by Sonal Shukla () and Springer Nature Abstracting and Indexing ().