Buchcover: Von Modellen zu Entscheidungen in Machine Learning mit Python

Ein Buch über Machine Learning als verantwortbare Entscheidungsunterstützung

Machine Learning wird häufig auf Algorithmen, Modelle und Kennzahlen reduziert. Doch der eigentliche Wert entsteht nicht durch ein trainiertes Modell allein, sondern durch die Fähigkeit, aus Vorhersagen begründete, transparente und verantwortbare Entscheidungen abzuleiten.

Von Modellen zu Entscheidungen in Machine Learning mit Python zeigt, wie Machine-Learning-Projekte vom Problem über Daten, Modelle, Metriken und Unsicherheit bis zur verantwortbaren Entscheidung geführt werden.

Im Mittelpunkt stehen Problemverständnis, Zielvariablen, Trainingsdaten, Features, Baselines, Modelltypen, Scikit-Learn, Modellbewertung, Accuracy, Precision, Recall, F1-Score, ROC-AUC, Overfitting, Underfitting, Feature Importance, Risiken, Fairness, Trade-offs, Monitoring und menschliche Urteilskraft.

Einblick durch Präsentation Workshop anfragen Buch kaufen

Zielgruppe

Das Buch richtet sich an Studierende, Lehrende, Python-Lernende, Machine-Learning-Einsteigerinnen und -Einsteiger, Data Analysts, Data Scientists, Machine Learning Engineers, Softwareentwicklerinnen und Softwareentwickler, Business Analysts, Produktverantwortliche, Fach- und Führungskräfte sowie an alle, die Machine Learning nicht nur als Modelltraining, sondern als verantwortbare Entscheidungsunterstützung verstehen und anwenden möchten.

Buch kaufen

Das Buch ist als E-Book erhältlich. Weitere Kauf-Links werden ergänzt, sobald sie verfügbar sind.

ISBN	978-3-6952-6182-6
Format	E-Book

Amazon Kindle Amazon Taschenbuch folgt Apple Books folgt Thalia folgt Hugendubel folgt eBook.de folgt Google Play Books folgt Lehmanns folgt

Themen und Schwerpunkte

Machine Learning als Entscheidungsunterstützung

Warum Machine Learning nicht bei Vorhersagen endet, sondern erst im Entscheidungskontext seinen praktischen Wert entfaltet.

Zielvariablen und Trainingsdaten

Warum Zielvariablen, Datenherkunft, Repräsentativität und Verzerrungen entscheidend für die Aussagekraft eines Modells sind.

Modelle mit Python entwickeln

Wie typische Machine-Learning-Workflows mit Scikit-Learn aufgebaut, trainiert, geprüft und interpretiert werden.

Modellbewertung und Metriken

Warum Accuracy, Precision, Recall, F1-Score, ROC-AUC und Regressionsmetriken nur im fachlichen Kontext sinnvoll bewertet werden können.

Unsicherheit, Risiken und Trade-offs

Wie Modellgrenzen, Fehlerfolgen, Fairness, Erklärbarkeit und Zielkonflikte sichtbar gemacht und bewertet werden können.

Vom Modell zur Entscheidung

Wie aus Modellergebnissen belastbare Empfehlungen, nachvollziehbare Entscheidungen und verantwortbare Lösungen entstehen.

Einblick ins Buch: Präsentation ansehen

Die begleitende Präsentation bietet einen kompakten Einstieg in die zentrale Idee des Buches: Machine Learning beginnt nicht beim Algorithmus und endet nicht beim Modell, sondern führt über Vorhersagen, Metriken, Unsicherheit und Abwägungen zu verantwortbaren Entscheidungen.

Sie können die Präsentation direkt im Browser ansehen, als PDF öffnen oder herunterladen.

Präsentation öffnen PDF herunterladen

Workshops und Vorträge zum Buch

Die Inhalte des Buches können als Vortrag, Workshop oder moderiertes Praxisformat für Hochschulen, Unternehmen, Bildungseinrichtungen, Machine-Learning-Teams, Data-Science-Teams und Organisationen aufbereitet werden.

Im Mittelpunkt stehen Machine Learning als Entscheidungsunterstützung, Modellbewertung, Zielvariablen, Trainingsdaten, Scikit-Learn, Unsicherheit, Risiken, Trade-offs, Fairness, Erklärbarkeit und die Entwicklung verantwortbarer Entscheidungen.

Workshop anfragen Kontakt aufnehmen