Der Einsatz von ML umfasst eine Vielzahl von möglichen Lernalgorithmen und Modellen, die für verschiedene Datensituationen unterschiedlich gut geeignet sind. Es gibt keine grundsätzlich ,,besseren“ oder ,,schlechteren“ Modelle, sondern lediglich solche, die besser oder schlechter für eine bestimmte Aufgabe geeignet sind. Welches Modell am besten passt, hängt von zahlreichen Faktoren ab, insbesondere von der Struktur der Daten. In diesem Kapitel werden einige der wichtigsten Modelle vorgestellt. Die Auswahl ist keineswegs exhaustiv, sondern an den gängigsten Anwendungsfeldern orientiert und könnte nahezu beliebig erweitert werden. Sie soll als erster Überblick verschiedener Ansätze dienen und einen Einstieg in die Vielfalt der ML-Modelle bieten. Behandelt werden in diesem Kapitel die regularisierten Regressionsmodelle Least Absolute Shrinkage and Selection Operation (LASSO) und Ridge, Random Forests, Boosting, Support Vector Machine sowie artifizielle Neuronale Netzwerke. Für diese Modelle werden Grundidee, Modellschätzung, Optimierung, Hyperparameter-Tuning und die Interpretation von Parametern vorgestellt.