Maschinelles Lernen (ML) bietet einen Rahmen für die Analyse hochdimensionaler Datensätze durch Modellierung komplexer, oft non-linearer Beziehungen. Der Einfluss von ML-Methoden auf Forschung und praktische Anwendungen in der Psychologie, den Geistes-, und Sozialwissenschaften ist immer noch begrenzt, wächst jedoch rapide und kontinuierlich. Im Rahmen von ML eingesetzte Algorithmen sind vielfältig bezüglich ihrer mathematischen Ansätze und ihres Einsatzgebiets. Dieses Buch gibt einen Überblick der gängigen Verfahren, ihrer Philosophie, Funktionsweisen und Anwendung. Methodisch werden Verbindungen zu und Gemeinsamkeiten mit inferenzstatistischen Ansätzen beleuchtet. Hierbei werden besonders die verschiedenen philosophischen Perspektiven, Resampling Verfahren und das Zusammenspiel von Bias und Varianz behandelt. Ein weiterer Schwerpunkt liegt auf der praktischen Anwendung von ML bei konkreten Fragestellungen empirischer Wissenschaften, was auch notwendige Voraussetzungen der Datenstrukturen und Preprocessing von Datensätzen beinhaltet. Dieses Buch soll Wissenschaftlern und Praktikern helfen, sich mit den Chancen und Herausforderung immer größerer und komplexerer digitaler Datensätze vertraut zu machen.