Besondere Anforderungen an OML-Verfahren

Dieses Kapitel untersucht, ob Online-Machine-Learning-Algorithmen (OML-Algorithmen) im Hinblick auf typische Praxisherausforderungen, wie beispielsweise fehlende Daten (Abschn. 6.1), kategorische Attribute (Abschn. 6.2), Ausreißer (Abschn. 6.3), Imbalanced Data (Abschn. 6.4), oder eine extrem hohe Anzahl an Variablen (Abschn. 6.5), besondere Schritte und Überlegungen im Vergleich zu Batch Learning erfordern. Abschnitt 6.6 beschreibt wichtige Aspekte wie Fairness (Fair Machine Learning (ML)) oder Interpretierbarkeit (Interpretable ML) im Kontext von OML-Algorithmen.