Machine Learning : Eine Einführung für Psychologie, Geistes- und Sozialwissenschaften (Quantitative Sozialforschung) （2025. xv, 154 S. XV, 154 S. 34 Abb., 29 Abb. in Farbe. 210 mm）

ホーム
> 洋書
> ドイツ書
> Social Sciences, Jurisprudence & Economy
> Social Sciences
> social sciences in general

個数：

予約

Machine Learning : Eine Einführung für Psychologie, Geistes- und Sozialwissenschaften (Quantitative Sozialforschung) （2025. xv, 154 S. XV, 154 S. 34 Abb., 29 Abb. in Farbe. 210 mm）

Hilbert, Sven/Kraus, Elisabeth/Lindl, Alfred

ウェブストア価格 ¥6,724（本体¥6,113）
SPRINGER, BERLIN; SPRINGER FACHMEDIEN WIESBADEN; SPRI（2025/07発売）
外貨定価 EUR 27.99
ポイント 61pt

現在予約受付中です。出版後の入荷・発送となります。
（重要：表示されている発売日は予定となり、発売が延期、中止、生産限定品で商品確保ができないなどの理由により、ご注文をお取消しさせていただく場合がございます。予めご了承ください。）

●3Dセキュア導入とクレジットカードによるお支払いについて

【入荷遅延について】
世界情勢の影響により、海外からお取り寄せとなる洋書・洋古書の入荷が、表示している標準的な納期よりも遅延する場合がございます。
おそれいりますが、あらかじめご了承くださいますようお願い申し上げます。

◆画像の表紙や帯等は実物とは異なる場合があります。

◆ウェブストアでの洋書販売価格は、弊社店舗等での販売価格とは異なります。
また、洋書販売価格は、ご注文確定時点での日本円価格となります。
ご注文確定後に、同じ洋書の販売価格が変動しても、それは反映されません。

製本 Paperback:紙装版/ペーパーバック版
言語 GER
商品コード 9783658436483

Full Description

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.

Einführung.- Grundidee des Machine Learning.- Preprocessing.- Optimierung.- Modelle.- Interpretierbares Machine Learning.- Faires Machine Learning.- Glossar.