Dieses Buch führt in gängige Verfahren Maschinellen Lernens (ML), insbesondere ihre Philosophie, Funktionsweisen und Anwendungen ein. Ein Schwerpunkt liegt auf der praktischen Anwendung von ML bei konkreten Fragestellungen empirischer Wissenschaften, was auch notwendige Voraussetzungen der Datenstrukturen und Preprocessing von Datensätzen beinhaltet. Das Buch hilft Wissenschaftlern und Praktikern dabei, sich mit den Chancen und Herausforderung immer größerer und komplexerer digitaler Datensätze vertraut zu machen.

Es beleuchtet auch Verbindungen zu und Gemeinsamkeiten mit inferenzstatistischen Ansätzen, besonders die unterschiedlichen Philosophien, Resampling Verfahren und das Zusammenspiel von Bias und Varianz.

Um die mathematischen Hintergründe nachvollziehbar zu machen, wird ein rechnerisches Schritt für Schritt-Beispiel für jedes Modell vorgestellt, mathematisch komplexe Beispiele sind ausgelagert und finden sich im elektronischen Zusatzmaterial. Zusätzlich werden Anwendungsbeispiele mit Analysecode angeboten, welche auf dem GitHub-Repositorium auf der Produktseite des Buches auf SpringerLink online zur Verfügung stehen.