Dieses Buch beschreibt Theorie und Anwendungen aus dem Bereich des Online Maschine Learnings (OML), wobei der Fokus auf Verfahren des überwachten Lernens liegt. Es werden Verfahren zur Drifterkennung und -behandlung beschrieben. Verfahren zur nachträglichen Aktualisierung der Modelle sowie Methoden zur Modellbewertung werden dargestellt. Besondere Anforderungen aus der amtlichen Statistik (unbalancierte Daten, Interpretierbarkeit, etc.) werden berücksichtigt. Aktuelle und mögliche Anwendungen werden aufgelistet. Ein Überblick über die verfügbaren 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 Einführung, 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. Erläuterung, wie OML angepasst werden kann (Hyperparameter-Tuning)6. Zeigt, was mit OML möglich ist und erlaubt Einschätzung, ob Einsatz sinnvoll ist