Quantifizierung von Unsicherheit

Göran Kauermann ()
Additional contact information
Göran Kauermann: Ludwig-Maximilians-Universität München, Institut für Statistik

Chapter Kapitel 3 in Künstliche Intelligenz und Data Science in Theorie und Praxis, 2023, pp 13-17 from Springer

Abstract: Zusammenfassung Jegliche Vorhersage unterliegt einem Grad an Unsicherheit, insbesondere wenn sie datenbasiert ist. In Zeiten von Big Data scheint dabei oberflächlich betrachtet die Unsicherheit mit wachsendem Datenvolumen abzunehmen, sodass man meinen könnte, das Thema Unsicherheit sei in Zeiten von massiven Daten und komplexen Machine Learning Algorithmen nicht mehr relevant. Gerade dies wäre aber ein falscher Schritt und ein Trugschluss, denn das Thema Quantifizierung von Unsicherheit bleibt so relevant wie eh und je.

Date: 2023
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:978-3-662-66278-6_3

Ordering information: This item can be ordered from
http://www.springer.com/9783662662786

DOI: 10.1007/978-3-662-66278-6_3

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 ().