Neues Buch erklärt, wie Machine Learning unter Unsicherheit entscheidet
Ein brandneues Werk aus dem arXiv-Repository beleuchtet, wie Lernprozesse – sei es bei Menschen oder Maschinen – Entscheidungen treffen, wenn die Datenlage unbeständig ist. Das Buch zeigt, wie man mit statistischen Konzentrationsungleichungen – von Markov bis Empirical Bernstein – die Streuung von Schätzungen kontrolliert und damit theoretische Garantien für die Auswahl von Modellen liefert.
