Von Modellen zu Entscheidungen in Machine Learning mit Python

Vom Modell zur verantwortbaren Entscheidung
von Mathias Ellmann

Buchcover: Von Modellen zu Entscheidungen in Machine Learning mit Python

ISBN: 978-3-6952-6182-6

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, unter anderem bei Amazon Kindle, Apple Books, Google Play Books, Thalia, Lehmanns, eBook.de und Hugendubel.

ISBN 978-3-6952-6182-6
Format E-Book
Amazon Kindle Google Play Books eBook.de Hugendubel Apple Books Thalia Lehmanns

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

Auf Mobilgeräten lässt sich die Präsentation am besten über die Buttons öffnen oder herunterladen.

Häufige Fragen zum Buch

Ist „Von Modellen zu Entscheidungen in Machine Learning mit Python“ ein Buch über Machine Learning mit Python?

Ja, das Buch behandelt Machine Learning mit Python und zeigt, wie Modelle mit Scikit-Learn entwickelt, bewertet und in nachvollziehbare Entscheidungen übersetzt werden.

Eignet sich das Buch für Einsteiger in Machine Learning?

Ja, das Buch eignet sich für Machine-Learning-Einsteiger, Python-Lernende, Studierende und Fachleute, die Machine Learning nicht nur technisch, sondern auch im Entscheidungskontext verstehen möchten.

Ist das Buch ein praxisnaher Einstieg in Scikit-Learn?

Das Buch erklärt typische Machine-Learning-Workflows mit Scikit-Learn und behandelt unter anderem Trainingsdaten, Features, Train-Test-Split, Cross Validation, Modelltraining und Modellbewertung.

Welche Machine-Learning-Modelle werden im Buch behandelt?

Behandelt werden unter anderem Klassifikation, Regression, Clustering, Anomalieerkennung, Empfehlungssysteme, Entscheidungsbäume, Random Forests, Gradient Boosting und neuronale Netze.

Erklärt das Buch Machine-Learning-Metriken wie Accuracy, Precision, Recall und ROC-AUC?

Ja, das Buch erklärt zentrale Bewertungsmetriken wie Accuracy, Precision, Recall, F1-Score, ROC-AUC, Confusion Matrix sowie Regressionsmetriken wie MAE, MSE, RMSE und R².

Warum geht es im Buch nicht nur um Modelle, sondern um Entscheidungen?

Das Buch zeigt, dass Machine-Learning-Modelle nur Vorhersagen liefern. Verantwortbare Entscheidungen benötigen zusätzlich Kontext, Ziele, Risiken, Unsicherheit, Fairness, Erklärbarkeit und menschliche Urteilskraft.

Für wen ist dieses Machine-Learning-Buch besonders geeignet?

Das Buch richtet sich an Studierende, Python-Lernende, Machine-Learning-Einsteiger, Data Analysts, Data Scientists, Entwickler, Business Analysts, Produktverantwortliche und Führungskräfte.

Hilft das Buch bei der Bewertung von Machine-Learning-Modellen?

Ja, ein Schwerpunkt liegt auf Modellbewertung, Kennzahlen, Overfitting, Underfitting, Feature Importance, Unsicherheit, Risiken und Trade-offs.

Behandelt das Buch verantwortbare KI und Fairness im Machine Learning?

Ja, das Buch behandelt Verantwortung, Fairness, Erklärbarkeit, Risiken, Zielkonflikte und die Frage, wie Machine Learning verantwortbar in Entscheidungen eingebunden werden kann.

Wo kann man das Buch über Machine Learning mit Python kaufen?

Das Buch ist als E-Book erhältlich, unter anderem bei Amazon Kindle, Apple Books, Google Play Books, Thalia, Lehmanns, eBook.de und Hugendubel.

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