Maschinelles Lernen (ML) bietet einen Rahmen zur Analyse hochdimensionaler Datensätze durch die Modellierung komplexer, oft non-linearer Beziehungen. Der Einfluss von ML-Methoden auf die Sozial- und Bildungswissenschaften wächst rasant, obwohl er bislang begrenzt ist. Die im ML eingesetzten Algorithmen sind vielfältig in ihren mathematischen Ansätzen und Anwendungsbereichen. Dieses Buch bietet einen Überblick über gängige Verfahren, deren Philosophie, Funktionsweisen und Anwendungen. Es behandelt sowohl klassische lineare Regressionsmodelle im ML-Framework als auch Baum-basierte und regularisierte Regressionsverfahren, und ordnet diese in das Gesamtbild der ML-Analyse ein. Methodisch werden Verbindungen zu inferenzstatistischen Ansätzen beleuchtet, wobei verschiedene philosophische Perspektiven, (geschachtelte) Resampling-Verfahren und das Zusammenspiel von Bias und Varianz im Fokus stehen. Ein weiterer Schwerpunkt liegt auf der praktischen Anwendung von ML auf empirische Fragestellungen der Sozialwissenschaften, einschließlich der notwendigen Datenstrukturen und des Preprocessings. Das Buch soll Wissenschaftlern und Praktikern helfen, sich mit den Chancen und Herausforderungen komplexer digitaler Datensätze vertraut zu machen und bietet sowohl mathematische als auch inhaltliche Einsichten in die grundlegenden Funktionsweisen von ML.
