Local Machine Learning - Interpretierbares lokales maschinelles Lernen für riesige und verteilte Daten

Moderne Datensätze, die für die angewandte Forschung relevant sind, stellen aufgrund ihres extremen Umfangs oder ihrer dezentralen Speicherung neue Herausforderungen für die Nutzer dar. Dieses Projekt zielt darauf ab, bestehende nicht-parametrische Methoden so zu erweitern, dass sie leicht auf große und verteilte Datensätze angewendet werden können. Dies soll es dem Nutzer ermöglichen, etablierte und flexible Werkzeuge zur Datenanalyse zu nutzen, deren statistische Eigenschaften gut verstanden werden und die somit keine Black-Box-Methoden darstellen. Eine effiziente Implementierung soll gewährleisten, dass Anwendungen trotz großer Datenmengen schnell durchgeführt werden können. Zwei Praxisbeispiele verdeutlichen das enorme Potenzial der zu entwickelnden Methoden.