Elisabeth Kraus – författare

Die "Gesichter der Zeitgeschichte" erzählen von Helden und Schurken, Tätern und Opfern, engagierten Intellektuellen und glatten Karrierediplomaten, von generösen Stifterinnen und opportunistischen Staatskünstlern im Vorzimmer der Macht. In ihren Biographien verdichten sich Grundprobleme und leitende Tendenzen der Epoche: Bernhard Adolf, Erich Benjamin, Julius Döpfner, Hans Ehard, Heinz Felfe, Otto von Feury, Erich Walter Gniffke, Carl Ludwig Lautenschläger, Helene Mayer, Oswald von Nell-Breuning, Elisabeth Noelle-Neumann, Georg Picht, Joseph Rovan, Ernst Schellenberg, Gustav Adolf Sonnenhol, Paul Ludwig Troost, Amélie Thyssen Mit Beiträgen von J. Balcar, T. Bauer, J. Braun, A. Drecoll, A. Eichmüller, A. Häusler, D. Hoffmann, N. Kramer, E. Kraus, R. Kreis, C. Kuller, S.H. Lindner, C. Moisel, D. Pohl, W. Rudloff, T. Schlemmer, S. Schrafstetter, W. Süß, T. Winstel

Dieses Buch richtet sich an alle, welche die enormen Potenziale maschinellen Lernens für wissenschaftliche Fragestellungen und innovative Ansätze in Studium oder Beruf nutzen möchten. Denn maschinelles Lernen eröffnet neue Möglichkeiten zum effizienten Umgang mit umfassenden, komplex strukturierten und sich schnell entwickelnden Daten. Zunächst werden Grundideen und typische Anwendungsfelder maschinellen Lernens sowie dessen Vorzüge gegenüber inferenzstatistischen Verfahren erläutert. Daran schließen praktische Hinweise dazu an, wie Daten für maschinelle Lernprozesse aufbereitet werden und wie diese durch Anpassung verschiedener Parameter möglichst optimale Ergebnisse erzielen können. Von den hierzu einsetzbaren Modellen werden die gängigsten theoretisch und anhand anschaulicher Beispiele vorgestellt. Auch auf verschiedene Optionen zur besseren Interpretierbarkeit sowie auf spezifische Limitationen von Analyseresultaten wird eingegangen. Weiterführende Anwendungsfälle und verständlich kommentierte Analysecodes sind auf dem GitHub-Repositorium zu diesem Buch auf SpringerLink online verfügbar.

Dieses Buch richtet sich an alle, welche die enormen Potenziale maschinellen Lernens für wissenschaftliche Fragestellungen und innovative Ansätze in Studium oder Beruf nutzen möchten. Denn maschinelles Lernen eröffnet neue Möglichkeiten zum effizienten Umgang mit umfassenden, komplex strukturierten und sich schnell entwickelnden Daten. Zunächst werden Grundideen und typische Anwendungsfelder maschinellen Lernens sowie dessen Vorzüge gegenüber inferenzstatistischen Verfahren erläutert. Daran schließen praktische Hinweise dazu an, wie Daten für maschinelle Lernprozesse aufbereitet werden und wie diese durch Anpassung verschiedener Parameter möglichst optimale Ergebnisse erzielen können. Von den hierzu einsetzbaren Modellen werden die gängigsten theoretisch und anhand anschaulicher Beispiele vorgestellt. Auch auf verschiedene Optionen zur besseren Interpretierbarkeit sowie auf spezifische Limitationen von Analyseresultaten wird eingegangen. Weiterführende Anwendungsfälle und verständlich kommentierte Analysecodes sind auf dem GitHub-Repositorium zu diesem Buch auf SpringerLink online verfügbar.