Artificial Neural Networks (ANN)
Categorical Variable Classification
Cross-Validation (not validated)
Database Management System (DBMS)
False Negative (FN, Type II Error)
False Positive (FP, Type I Error)
Natural Language Processing (NLP)
Principal Component Analysis (PCA)
Root Mean Squared Error (RMSE)
A
Accuracy Score
Der Accuracy Score ist eine Bewertungskennzahl, mit der die Leistung eines Machine-Learning-Modells geschätzt wird. Er zeigt das Verhältnis der korrekten Vorhersagen zur Gesamtzahl der Vorhersagen.
Activation Function
Eine Activation Function wird in Artificial Neural Networks (ANN) verwendet und entscheidet, ob ein Neuron aktiviert wird. Sie berechnet auf Basis der Eingaben aus der vorherigen Schicht (Input Layer) den Output an die nächste Hidden- oder die Output-Schicht. Die Aktivierungsfunktion sorgt für die nichtlineare Transformation in einem neuronalen Netzwerk.
Algorithm
Ein Algorithmus ist eine Folge wiederholbarer, oft mathematisch formulierter Schritte, die von Menschen geschrieben und vom Computer ausgeführt werden, um einen bestimmten Typ von Data-Science-Problem zu lösen. Algorithmen reichen von sehr einfach bis hochkomplex. Unterschiedliche Algorithmen eignen sich für verschiedene Aufgaben und Technologien. Grundsätzlich gilt: Ein Algorithmus erhält Eingaben und erzeugt Ausgaben, und dieselbe Eingabe führt stets zur gleichen Ausgabe. Im Machine Learning nehmen Algorithmen Daten und Hyperparameter als Input, erkennen und lernen Muster in den Daten und liefern Vorhersagen als Output.
Apache Spark
Apache Spark ist ein Open-Source-Framework für multifunktionale, parallele Verarbeitung zur Analyse und Modellierung von Big Data. Spark verteilt Daten und Berechnungen auf Cluster mit vielen Knoten (jeder Knoten lässt sich wie ein eigener Computer denken). Durch das Aufteilen lassen sich sehr große Datensätze bearbeiten, da jeder Knoten nur einen kleinen Teil verarbeitet. Gleichzeitig übernimmt jeder Knoten einen Anteil der Berechnungen, sodass Datenverarbeitung und Rechenaufwand parallel im Cluster erfolgen. Parallele Verarbeitung kann bestimmte Programmieraufgaben deutlich beschleunigen.
API
API steht für Application Programming Interface. Sie ist eine Softwareschnittstelle, die Verbindungen zwischen Anwendungen oder Rechnern ermöglicht. Ein Beispiel ist das Einbetten von Google Maps in eine Ridesharing-App. Data Scientists arbeiten häufig mit APIs, um auf Daten zuzugreifen (z. B. Twitter API zum Herunterladen von Tweets) oder um eigene Lösungen bereitzustellen (z. B. eine API, die ein ML-Modell in Produktion aufruft).
Artificial Intelligence (AI)
Künstliche Intelligenz ist ein Teilgebiet der Informatik, das Machine-Learning-, Programmier- und Data-Science-Techniken nutzt, um Computern intelligentes Verhalten zu ermöglichen. KI-Systeme sind vielfältig und unterschiedlich komplex: von regelbasierten Systemen bis hin zu ML-basierten Ansätzen. Sie können Aufgaben wie Betrugserkennung, Objekterkennung, Übersetzung, Aktienkursprognosen und vieles mehr übernehmen.
Artificial Neural Networks (ANN)
Ein Artificial Neural Network ist ein Machine-Learning-Modell, das lose von biologischen neuronalen Netzen im menschlichen Gehirn inspiriert ist. Neuronale Netze bestehen aus bis zu Hunderten Schichten miteinander verbundener Einheiten (Neuronen). Konzeptuell gibt es Input-, Hidden- und Output-Schichten, die Daten filtern, mit einer Activation Function verarbeiten und am Ende Vorhersagen liefern. ANN sind die Bausteine des Deep Learnings, einem Teilbereich des Machine Learnings, der komplexe Ausgaben wie Bild- oder Spracherkennung, Objekterkennung, Übersetzung und mehr ermöglicht.
B
Backpropagation (BP)
Backpropagation ist eine Technik zum Trainieren von Deep-Learning-Netzen auf Basis des Gradient Descent. Dabei werden Gewichte und Biases iterativ angepasst, um die Genauigkeit zu erhöhen. In jeder Trainingsiteration wird der Fehler am Output berechnet und zurück ins Netz propagiert, sodass der Fehler in künftigen Iterationen minimiert wird.
Bayesian Network
Ein Bayesian Network ist ein probabilistischer Graph, der die Beziehungen zwischen Zufallsvariablen in unsicheren Domänen zeigt. Die Knoten repräsentieren Variablen, die Kanten die jeweiligen bedingten Wahrscheinlichkeiten. Ein Beispiel sind medizinische Diagnosen, bei denen Forschende Gesundheitsergebnisse prognostizieren und dabei alle einflussnehmenden Faktoren berücksichtigen.
Bayes' Theorem
Bayes' Theorem ist eine mathematische Gleichung zur Berechnung bedingter Wahrscheinlichkeiten, also der Wahrscheinlichkeit für Ereignis B, gegeben dass das verwandte Ereignis A bereits eingetreten ist. In der Data Science wird das Theorem unter anderem zum Aufbau von Bayesian Networks für große Datensätze genutzt.
Bias
Bias bezeichnet die Tendenz von Modellen, die Daten zu unterfitten, was zu ungenauen Vorhersagen im Machine Learning und in der Data Science führt. So wird Bias häufig im Kontext des Bias-Variance-Trade-offs diskutiert. Darüber hinaus meint Bias auch algorithmische Voreingenommenheit: ML-Modelle können gesellschaftliche Verzerrungen reproduzieren, indem sie Personengruppen aufgrund geschützter Merkmale wie Ethnie, sexuelle Orientierung, Geschlechtsidentität, Alter, Schwangerschaft, Veteranenstatus u. a. unterschiedlich behandeln.
Bias-Variance Tradeoff
Der Bias-Variance-Trade-off beschreibt das Spannungsverhältnis zwischen Bias und Varianz beim Erstellen von ML-Modellen. Beides sind Fehlerarten bei Vorhersagen: Hoher Bias deutet auf Underfitting hin, hohe Varianz auf Overfitting. Werden beide auf ein optimales Maß reduziert, sinkt der Gesamtfehler der Vorhersagen.
Big Data
Big Data befasst sich mit der Verarbeitung, Aufbereitung und Informationsgewinnung aus Datensätzen, die für herkömmliche Tools zu groß oder zu komplex sind. Big Data wird oft durch die fünf Vs charakterisiert: Velocity (Geschwindigkeit der Datengenerierung), Volume (Datenmenge), Variety (Vielfalt der Datentypen, z. B. Text, Bilder, Tabellen), Veracity (Qualität und Verlässlichkeit) und Value (Wert, den Daten in geschäftliche Erkenntnisse übersetzen können).
Binomial Distribution
Die Binomialverteilung ist eine diskrete Wahrscheinlichkeitsverteilung für unabhängige Versuche mit zwei sich gegenseitig ausschließenden Ausgängen (Erfolg/Misserfolg), einer festen Anzahl an Versuchen und konstanter Erfolgswahrscheinlichkeit. Vereinfacht ist sie die Wahrscheinlichkeit für eine bestimmte Anzahl von Erfolgen über mehrere Wiederholungen (z. B. die Chance, bei fünf Würfen genau dreimal eine Drei zu würfeln).
Business Analyst
Business Analysts verknüpfen Daten-Insights mit konkreten Maßnahmen, die Profitabilität oder Effizienz steigern. Sie kennen ihre Domäne sehr gut und nutzen oft SQL sowie No-Code-/Low-Code-Tools, um Erkenntnisse aus Daten zu kommunizieren.
Business Analytics (BA)
Business Analytics ist ein Teilbereich der Analytics, der historische und aktuelle Daten nutzt, um operative Insights zu gewinnen, künftige Trends abzuschätzen und datenbasierte Entscheidungen zu treffen. Typische Werkzeuge sind statistische Analysen, deskriptive Analytik und Datenvisualisierung; teils fließt auch Predictive Analytics und Machine Learning ein.
Business Intelligence (BI)
Business Intelligence kombiniert deskriptive Analytik, Business Analytics, Datenvisualisierung, Statistik, Reporting und mehr, um Organisationen datenbasierte Entscheidungen zu ermöglichen. BI setzt häufig auf No-Code-Tools wie Tableau und Power BI, um Trends in historischen und aktuellen Daten zu erkunden. Im Unterschied zu Business Analytics liegt der Fokus stärker auf deskriptiver Analytik.
C
Categorical Variable
Eine kategoriale Variable kann nur einen von begrenzt vielen Werten (Kategorien) ohne natürliche Reihenfolge annehmen. Ein Beispiel ist der Familienstand (verheiratet, ledig, geschieden). Synonyme: nominale oder qualitative Variable.
Classification
Classification ist ein Supervised-Learning-Problem, bei dem kategoriale Zielgrößen aus Eingangsmerkmalen vorhergesagt werden. Beispiele: Betrugserkennung (ist eine Transaktion betrügerisch?) oder Spamfilter (ist eine E-Mail Spam oder nicht?). Häufige Algorithmen sind k-Nearest Neighbors, Decision Trees, Random Forest u. a.
Clustering
Clustering ist ein Unsupervised-Learning-Problem, bei dem Beobachtungen anhand ihrer Ähnlichkeit in Gruppen (Cluster) gebündelt werden. Anders als bei der Klassifikation sind die Gruppen nicht vorgegeben, sondern werden vom Algorithmus im Lernprozess identifiziert. Elemente innerhalb eines Clusters sind einander ähnlich und unterscheiden sich von denen anderer Cluster. Gängige Verfahren: k-Means, hierarchisches und spektrales Clustering.
Computer Science
Computer Science (Informatik) umfasst theoretische und praktische Aspekte der Informationsverarbeitung in digitalen Rechnern, den Entwurf von Hard- und Software sowie deren Anwendungen. Dazu zählen u. a. Künstliche Intelligenz, Algorithmen, Datenstrukturen, Datenmodellierung, Sicherheit sowie Computer- und Netzwerkdesign.
Computer Vision
Computer Vision ist ein Bereich der Informatik, der Computern ein hochstufiges Verständnis von Bildern und Videos ermöglicht – ähnlich der menschlichen Wahrnehmung. Mit dem Aufstieg von Deep Learning und Big Data wurde Computer Vision besonders populär. Anwendungsfelder sind Objekt- und Gesichtserkennung, Bewegungsanalyse, autonomes Fahren und optische Zeichenerkennung.
Confusion Matrix
Eine Confusion Matrix ist eine Tabelle zur Darstellung der Vorhersageleistung eines Klassifikationsmodells. Meist wird sie für binäre Targets genutzt und ist dann eine 2x2-Tabelle. Sie zeigt die Beziehungen zwischen Vorhersagen und tatsächlichen Labels beider Klassen und macht wahre Positive/Negative sowie False Positives (Typ-I-Fehler) und False Negatives (Typ-II-Fehler) sichtbar.
Continuous Variable
Eine kontinuierliche Variable kann innerhalb eines Bereichs unendlich viele Werte annehmen. Beispiele sind Körpergröße und Gewicht.
Correlation
Korrelation bezeichnet Stärke und Richtung des Zusammenhangs zwischen zwei oder mehr Variablen, gemessen etwa durch den Korrelationskoeffizienten (Pearson). Statistisch ist er das Verhältnis der Kovarianz zweier Variablen zum Produkt ihrer Standardabweichungen und liegt zwischen -1 (perfekt negativ) und 1 (perfekt positiv). Korrelation impliziert keine Kausalität.
Cost Function
Die Cost Function ist eine ML-Funktion, die den durchschnittlichen Unterschied zwischen vorhergesagten und tatsächlichen Werten über den Trainingssatz misst und zu minimieren ist.
Covariance
Kovarianz misst die Beziehung zwischen zwei Variablen. Anders als die Varianz, die die Streuung innerhalb einer Variablen misst, zeigt die Kovarianz, wie Veränderungen in einer Variablen mit Änderungen in der anderen zusammenhängen. Sie dient u. a. zur Berechnung des Korrelationskoeffizienten.
Cross-Validation (not validated)
Cross-Validation ist ein Resampling-Verfahren beim Trainieren von ML-Modellen, bei dem gelabelte Daten in Trainings- und Testanteile aufgeteilt werden. In jeder Iteration werden andere Teile zum Trainieren und Testen genutzt. Aus den Vorhersagen auf dem Testanteil wird anschließend eine Gesamtkennzahl zur Leistungsabschätzung berechnet.
D
Dashboard
Ein Dashboard ist eine interaktive grafische Oberfläche, die Kennzahlen (KPIs), Fortschrittsmetriken und Informationen zu Geschäftsprozessen visualisiert und zusammenfasst, damit Zielgruppen die wichtigsten Insights schnell erfassen können. Dashboards entstehen mit No-Code-Tools wie Excel, Tableau oder Power BI sowie mit Code-Tools wie Python und R und sind oft an regelmäßig aktualisierte Datenquellen angebunden.
Data Analysis (DA)
Data Analysis umfasst das Bereinigen, Transformieren, Visualisieren und Erkunden von Daten, um Muster und Insights zu gewinnen und diese zu kommunizieren. Sie ist meist der erste Meilenstein in Data-Science-Projekten, kann aber auch eigenständig sein. Im Unterschied zur Data Science liegt der Fokus stärker auf deskriptiver als auf prädiktiver Analytik.
Data Analyst
Ein Data Analyst ist – ähnlich wie Business Analysts – für die Analyse von Daten und das Reporting der Erkenntnisse verantwortlich. Er kennt den Analyse-Workflow sehr gut und nutzt eine Kombination aus Coding- und No-Code-Tools, um Insights abzuleiten und aufzubereiten.
Database
Eine Datenbank ist ein strukturierter Speicher, in dem Daten in vielen Tabellen so organisiert sind, dass Informationen leicht zugänglich und zusammenfassbar sind. Häufig kommen relationale Database Management Systems (RDBMS) wie Oracle oder PostgreSQL zum Einsatz. Die gängigste Abfragesprache ist SQL.
Database Management System (DBMS)
Ein Database Management System ist eine Software, mit der sich Daten in einer Datenbank leicht zugreifen, manipulieren, abrufen, verwalten und speichern lassen. Je nach Datenorganisation gibt es relationale, Graph-, hierarchische u. a. DBMS. Beispiele: Oracle, MySQL, PostgreSQL, Microsoft SQL Server, MongoDB.
Data Consumer
Data Consumer arbeiten oft in nichttechnischen Rollen, nutzen aber Daten-Insights und Analysen von Datenprofis, um datenbasiert zu entscheiden. Sie sollten mit Datenexperten sprechen können und einschätzen, wann Daten zur Beantwortung von Geschäftsfragen geeignet sind – und wann nicht.
Data Engineer
Data Engineers stellen sicher, dass Data Scientists und Data Analysts mit den richtigen Daten arbeiten können. Sie entwerfen und betreiben Speicherinfrastruktur und Datenpipelines, die große, roh vorliegende Daten aus verschiedenen Quellen in einen zentralen Ort überführen – gereinigt, korrekt formatiert und für die Organisation relevant.
Data Engineering (DE)
Data Engineering ist eine Spezialisierung, die den skalierbaren Datenzugang in der Organisation ermöglicht. Data Engineers kümmern sich um Datenerfassung, -sammlung, -verwaltung und -speicherung, richten Datenpipelines ein und transformieren Daten zu hochwertigen, nutzbaren Daten für den Rest der Organisation.
Data Enrichment
Data Enrichment bezeichnet das Anreichern, Verfeinern und Ergänzen von Rohdaten, um sie für die Organisation nutzbarer zu machen – mit dem Ziel, relevantere Geschäfts-Insights zu gewinnen und Predictive Analytics zu optimieren.
Dataframe
Ein Dataframe ist eine tabellarische Datenstruktur mit beschrifteten Achsen (Zeilen und Spalten), deren Spaltentypen sich unterscheiden können.
Data Governance
DAMA definiert Data Governance als „Planung, Überwachung und Steuerung des Managements von Daten und datenbezogenen Ressourcen“. Sie legt Rollen, Verantwortlichkeiten und Prozesse fest, um Verfügbarkeit, Relevanz, Qualität, Nutzbarkeit, Integrität und Sicherheit von Daten sicherzustellen. Data Governance umfasst ein Lenkungsgremium, ein Regel- und Praxiswerk zur Erfüllung der Informationsbedürfnisse des Unternehmens und ein Programm zur Umsetzung.
Data Journalism
Data Journalism ist eine Form des Journalismus, die große Mengen numerischer Daten verarbeitet und analysiert, um eine Geschichte über die Daten oder daraus gewonnene Informationen zu erzählen. Sie entstand durch den wachsenden Informationsfluss und die zunehmende Verzahnung des Journalismus mit Statistik, IT und Data Science.
Data Lake
Ein Data Lake ist ein einzelnes Speichersystem, das große Mengen roher, unstrukturierter oder verschieden strukturierter Daten aus diversen Quellen ohne vorab definierten Zweck enthält. Die Rohdaten bleiben als ursprüngliche Informationsquelle erhalten und werden erst bei Bedarf strukturiert und aufbereitet.
Data Literacy
Datenkompetenz ist die Fähigkeit, Daten zu lesen, zu schreiben, zu analysieren, zu kommunizieren und mit ihnen zu argumentieren, um bessere datenbasierte Entscheidungen zu treffen. Organisational betrachtet umfasst sie ein Spektrum von Kompetenzen – von datenbasierter Entscheidungsfindung bis zu fortgeschrittenen technischen Fähigkeiten in Data Science, Data Engineering und Machine Learning –, sodass alle im Unternehmen relevante Datenkompetenzen besitzen und Wert aus Daten in der Breite geschaffen wird.
Data Mining
Data Mining ist der Prozess, relevante Daten aus verschiedenen Quellen zu sammeln, zu bereinigen und zu transformieren, verborgene Trends, Muster und Zusammenhänge zu erkennen und umsetzbare Insights zu kommunizieren, damit Organisationen datenbasiert entscheiden und bessere Strategien entwickeln. Zum Einsatz kommen u. a. Statistik, Datenvisualisierung, Regression und Klassifikation.
Data Modeling
Data Modeling ist das Erstellen einer visuellen Darstellung eines gesamten IT-Systems oder von Teilen davon, um Verbindungen zwischen Datenpunkten und -strukturen zu vermitteln. Datenmodelle zeigen die Datentypen im System, ihre Beziehungen und wie Daten nach Attributen gruppiert sind. In der Data Science meint Data Modeling oft auch den Aufbau verlässlicher Modelle, die Rohdaten in konsistente, prädiktive und umsetzbare Insights überführen – basierend auf klar verstandenen Geschäftsanforderungen, verfügbaren Datenquellen und Fristen.
Data Pipeline
Eine Datenpipeline ist eine Kette von Verarbeitungsschritten, die den Datenfluss in der Organisation automatisiert: Daten werden extrahiert, transformiert und geladen, sodass sie nutzbar sind.
Data Science (DS)
Data Science ist ein interdisziplinäres Feld, das wissenschaftliche Methoden, fortgeschrittene Analytik und prädiktive Modelle nutzt, um aus Daten sinnvolle Erkenntnisse zu gewinnen und strategische Geschäfts- oder Forschungsfragen zu beantworten. Es vereint technische und nichttechnische Kompetenzen und erfordert in der Regel fundiertes Domänenwissen, um Daten und Ergebnisse richtig zu interpretieren.
Data Scientist
Data Scientists untersuchen, extrahieren und berichten aussagekräftige Insights aus den Unternehmensdaten. Sie kommunizieren diese an nichttechnische Stakeholder, verstehen ML-Workflows und deren geschäftlichen Nutzen. Sie arbeiten überwiegend mit Code, führen Analysen durch und nutzen häufig Big-Data-Werkzeuge.
Dataset
Ein Dataset ist eine Sammlung von Daten – realen oder synthetisch erzeugten Beobachtungen –, die für statistische Analysen oder Modellierung genutzt werden. Es wird meist in einer Datenstruktur gespeichert, typischerweise als Tabelle, in der Spalten Variablen und Zeilen Dateneinträge darstellen.
Data Structure
Eine Datenstruktur ist eine Methode, Daten so zu organisieren und zu speichern, dass sie effizient zugreifbar und bearbeitbar sind. Sie legt Beziehungen der Daten und die möglichen Operationen fest. In der Data Science sind gängige Strukturen Dataframes, Listen, Arrays u. a.
Data Visualization
Datenvisualisierung ist ein interdisziplinäres Feld zur kompakten, visuellen Darstellung von Informationen. Daten lassen sich u. a. als Karten, Histogramme, Balken- und Liniendiagramme darstellen und zu Infografiken oder Dashboards kombinieren, um Zielgruppen Daten und Ergebnisse leichter zugänglich zu machen.
Data Warehouse
Ein Data Warehouse ist ein zentrales Repository für strukturierte, bereinigte und transformierte Daten aus mehreren Quellen, die per ETL (Extract, Transform, Load) zusammengeführt werden. Datenprofis greifen per BI-Tools, SQL-Abfragen etc. darauf zu und nutzen die Daten für Analysen und Modellierung.
Data Wrangling
Data Wrangling – auch Data Munging – umfasst das Bereinigen, Umstrukturieren, Zusammenführen, Aggregieren und Transformieren von Daten in ein zweckmäßiges Format. Ziel ist die effiziente Vorbereitung für Zugriff und Analyse.
Decision Tree
Ein Decision Tree ist ein überwacht lernender Algorithmus, der vor allem für Klassifikation, teils auch für Regression eingesetzt wird. Er stellt eine Folge von If-Else-Fragen zu einzelnen Merkmalen, um Klassenlabels abzuleiten. Vorteile sind die baumartige Visualisierung, die an menschliche Entscheidungen erinnert, und die intuitive Logik; allerdings neigen Entscheidungsbäume zum Overfitting.
Deep Learning (DL)
Deep Learning ist ein Teilbereich des Machine Learnings und basiert auf mehrschichtigen Artificial Neural Networks (ANN), die stark von der Gehirnstruktur inspiriert sind. ANN sind flexibel, lernen aus sehr großen Datenmengen und liefern hochpräzise Ergebnisse. Sie stecken hinter Anwendungsfällen wie Bild- und Spracherkennung, Übersetzung und anderen anspruchsvollen Aufgaben.
Dimensionality Reduction
Dimensionality Reduction reduziert die Anzahl der Features eines Trainingssets auf die relevantesten, die den Großteil der Varianz erklären, um die Modellleistung zu steigern. Das ist besonders bei großen, variablenreichen Datensätzen nützlich, spart Speicher und Rechenzeit und mindert Multikollinearität. Die bekannteste Methode ist die PCA (Principal Component Analysis).
E
EDA
EDA steht für Exploratory Data Analysis – die erste Analysephase mit Fokus auf grundlegendes Erkunden der verfügbaren Daten: zentrale Kennzahlen zusammenfassen, erste Muster und Trends erkennen, Probleme identifizieren und Fragen für vertiefende Analysen ableiten. So entsteht ein Gesamtverständnis als Basis für weitere Schritte.
ELT
ELT (Extract, Load, Transform) ist ein von Data Engineers entwickeltes Datenpipeline-Konzept als Alternative zu ETL. Rohdaten werden zunächst in den Data Lake geladen und erst dort transformiert. Vorteile gegenüber ETL: weniger Zeitaufwand, besser für große Datensätze geeignet und kosteneffizienter.
ETL
ETL (Extract, Transform, Load) ist ein von Data Engineers entwickeltes Datenpipeline-Konzept. Daten werden aus mehreren Quellen extrahiert, aus dem Rohformat konsistent transformiert und in das Ziel-Data Warehouse geladen – als Grundlage für Analysen und Modellierung zur Beantwortung von Geschäftsfragen.
Evaluation Metrics
Evaluation Metrics sind Kennzahlen zur Leistungsbewertung statistischer oder ML-Modelle. Beispiele sind Accuracy Score, F-Score, Recall und RMSE.
F
False Negative (FN, Type II Error)
Ein False Negative liegt vor, wenn ein Klassifikationsmodell bei einem binären Target die negative Klasse fälschlich vorhersagt (z. B. „wird nicht kündigen“, obwohl das tatsächliche Label „wird kündigen“ ist).
False Positive (FP, Type I Error)
Ein False Positive liegt vor, wenn ein Klassifikationsmodell bei einem binären Target die positive Klasse fälschlich vorhersagt (z. B. „wird kündigen“, obwohl das tatsächliche Label „wird nicht kündigen“ ist).
Feature
Ein Feature ist eine unabhängige Variable, die als Input in ein ML-Modell eingeht. Sagen wir, wir prognostizieren Diabetes-Wahrscheinlichkeit anhand von Größe, Gewicht und Zuckeraufnahme – dann sind diese drei die Features.
Feature Engineering
Feature Engineering nutzt Domänenwissen, um rohe Merkmale in aussagekräftigere Features zu überführen, die das Problem besser abbilden und für ML-Algorithmen geeigneter sind. Dazu zählen das Ableiten neuer Features oder die Transformation bestehender. Beispiel: Für die Vorhersage einer Gesundheitsvariable wie Diabetes-Risiko aus Größe und Gewicht den BMI berechnen.
Feature Selection
Feature Selection wählt aus allen Merkmalen jene Teilmenge, die für die Vorhersage der Zielgröße am relevantesten ist. Das ist bei großen Datensätzen besonders wichtig: Es reduziert Modellkomplexität, Overfitting und Rechenzeit und erhöht die Genauigkeit.
F-Score
Der F-Score ist eine Kennzahl, die Precision und Recall kombiniert. Üblich ist der F1-Score – das harmonische Mittel aus Precision und Recall. Allgemeiner ist Fβ, bei dem eine der beiden Kennzahlen stärker gewichtet wird.
G
Gradient Descent
Gradient Descent ist ein iteratives Optimierungsverfahren im Machine Learning, das die Cost Function minimiert, indem es optimale Parameterwerte findet.
H
Hadoop
Hadoop ist ein Open-Source-Framework (Java-basiert) für parallele Verarbeitung und verteilte Speicherung großer Datenmengen über Cluster vieler Rechner. Hadoop spart Zeit und ermöglicht die Verarbeitung weitaus größerer Datenmengen, als es ein einzelner Rechner könnte.
Hyperparameter
Hyperparameter sind Modellattribute, deren Werte vor dem Training manuell festgelegt werden. Anders als andere Parameter lassen sie sich nicht direkt aus Daten lernen. Durch Tuning der Hyperparameter und Bewertung der Modellleistung findet man optimale Einstellungen. Anschaulich ist das wie das Feinjustieren eines Radios, um den besten Empfang zu bekommen. Beispiel: die Anzahl der Bäume im Random-Forest-Algorithmus.
Hypothesis
Eine Hypothese ist eine zu prüfende Annahme über ein Problem oder Ereignis, die je nach Experiment bestätigt oder verworfen wird.
I
Imputation
Imputation ist das Auffüllen fehlender Werte in einem Datensatz. Verfahren sind z. B. statistisch (Mittelwert-/Modus-Imputation) oder ML-basiert (KNN-Imputation).
K
K-Means
K-Means ist der populärste Clustering-Algorithmus. Er findet K Clusterzentren (Zentroiden) mit anfänglichen Koordinaten und ordnet jede Beobachtung iterativ dem nächsten Zentroiden anhand ihrer Merkmale zu, bis die Zentroiden konvergieren. Punkte innerhalb eines Clusters sind einander ähnlich und unterscheiden sich von Punkten anderer Cluster.
K-Nearest Neighbors (KNN)
K-Nearest Neighbors ist ein überwacht lernender Algorithmus, der Beobachtungen basierend auf der Ähnlichkeit zu ihren nächsten Nachbarn klassifiziert. Wichtige, zu tunende Parameter sind die Zahl der Nachbarn und die Distanzmetrik (Minkowski, euklidisch, Manhattan etc.).
L
Linear Algebra
Lineare Algebra ist ein Teilgebiet der Mathematik zu linearen Systemen: Geraden, Ebenen, Vektorräumen, Matrizen und deren Operationen (Addition, Multiplikation etc.). Sie ist in Data Science und ML sehr nützlich, da Datensätze und viele Modelle als Matrizen darstellbar sind.
Linear Regression
Lineare Regression modelliert eine lineare Beziehung zwischen einer kontinuierlichen Zielgröße und einem oder mehreren kontinuierlichen Merkmalen. Ein typisches Beispiel ist die Preisprognose anhand verschiedener Eingangsattribute.
Logistic Regression
Die Logistische Regression nutzt eine logistische Funktion auf den Eingangsmerkmalen, um Klassenwahrscheinlichkeiten oder direkt Klassenlabels vorherzusagen. Im zweiten Fall ist die Ausgabe kategorial – die Methode fungiert als Klassifikationsverfahren. Ein typischer Anwendungsfall ist die Prognose von Kundenabwanderung.
M
Machine Learning (ML)
Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz (KI) und umfasst Algorithmen, die Muster und Trends aus historischen Daten lernen. Ziel ist es, künftige Ergebnisse vorherzusagen und über den Trainingsdatensatz hinaus zu generalisieren – ohne explizite Programmierung. Es gibt zwei Hauptarten von ML-Algorithmen: Supervised und Unsupervised Learning, mit vielen Techniken für unterschiedliche Anwendungsfälle.
Mean
Der Mittelwert (Mean) ist das arithmetische Mittel einer Zahlengruppe, also die Summe aller Werte geteilt durch deren Anzahl. Er wird meist zusammen mit weiteren Kennzahlen genutzt, um ein Gesamtbild des Datensatzes zu erhalten.
Mean Absolute Error (MAE)
Der Mean Absolute Error (MAE) ist der arithmetische Mittelwert aller absoluten Fehler zwischen vorhergesagten und tatsächlichen Werten.
Mean Squared Error (MSE)
Der Mean Squared Error (MSE) ist der arithmetische Mittelwert der quadrierten Fehler zwischen vorhergesagten und tatsächlichen Werten.
Median
Der Median ist der mittlere Wert einer der Größe nach sortierten Zahlengruppe. Bei gerader Anzahl ist es das arithmetische Mittel der beiden mittleren Werte. Der Median wird oft zusammen mit anderen Kennzahlen genutzt und hilft besonders beim Aufspüren von Ausreißern.
Mode
Der Modus ist der am häufigsten vorkommende Wert (oder die Werte) in einem Datensatz.
Model Tuning
Model Tuning ist das Anpassen der Hyperparameter, um die Genauigkeit des Modells zu maximieren, ohne es zu überfitten.
Multivariate Modeling
Multivariate Modeling modelliert die Beziehung zwischen mehreren Variablen (Prädiktoren), die in der Feature-Selection bestimmt wurden, und der Zielgröße.
N
Naive Bayes
Naive Bayes ist eine Gruppe von Klassifikationsalgorithmen, die auf dem Bayes' Theorem und der Annahme unabhängiger Features beruhen. Obwohl Merkmale in der Praxis oft nicht unabhängig sind, lassen sich Naive-Bayes-Algorithmen erfolgreich einsetzen, z. B. für Spamfilter oder Sentiment-Analyse.
Natural Language Processing (NLP)
Natural Language Processing (NLP) ist ein Teilgebiet der Informatik, das Anwendungen befähigt, geschriebene oder gesprochene menschliche Sprache zu verstehen und zu analysieren. NLP-Techniken nehmen meist unstrukturierten Text auf, strukturieren ihn, suchen linguistische und kontextuelle Muster, kategorisieren und extrahieren Insights. Zudem nutzt NLP ML und Deep Learning zur Sprachgenerierung, -klassifikation und anderen kognitiven Aufgaben. Beispiele: Chatbots, Speech-to-Text, Sentiment-Analyse, automatische Übersetzung.
Normalization
Normalization ist das Reskalieren von Daten, damit alle Attribute auf derselben Skala liegen. Das ist nötig für sinnvolle Vergleiche und wird von manchen ML-Algorithmen vorausgesetzt.
NoSQL
NoSQL steht für „not only SQL“. Es bezeichnet Datenbanksysteme zur Speicherung und zum Abruf nichtrelationaler (nicht-tabellarischer) Daten. Beispiele für Datenmodelle sind Graph-, Dokument- und Key-Value-Datenbanken. NoSQL-Systeme bieten hohe Flexibilität, Geschwindigkeit und horizontale Skalierbarkeit über viele Server.
Null Hypothesis
Die Nullhypothese ist eine Hypothese, die das Gegenteil der zu prüfenden Alternativhypothese behauptet: Es besteht kein signifikanter statistischer Zusammenhang zwischen zwei Variablen; beobachtete Effekte sind zufällig. In statistischen Tests kann die Nullhypothese verworfen oder beibehalten werden.
O
Open Source
Open Source bezeichnet frei lizenzierte Software und Ressourcen, die verändert und weitergegeben werden dürfen. Open-Source-Tools fördern Zusammenarbeit und sind oft stabiler, da Forschende neue Funktionen beisteuern oder gemeldete Fehler beheben können.
Ordinal Variable
Eine ordinale Variable kann einen von begrenzt vielen Werten annehmen, die eine natürliche Reihenfolge haben. Beispiel: Umfrageantworten mit Abstufungen wie „stimme gar nicht zu“, „stimme nicht zu“, „neutral“, „stimme zu“, „stimme voll zu“.
Outlier
Ein Ausreißer ist ein ungewöhnlicher Wert in einem Datensatz, der stark von den übrigen Beobachtungen abweicht. Ausreißer können auf Messfehler oder außergewöhnliche Ereignisse hindeuten.
Overfitting
Overfitting liegt vor, wenn ein Modell aus dem Trainingssatz zu viel – inklusive Rauschen und Ausreißer – lernt. Es wird zu komplex, ist stark an die Trainingsdaten angepasst und generalisiert schlecht auf neue Daten. Overfitting entspricht hoher Varianz im Bias-Variance-Trade-off.
P
Parameter
Ein Parameter ist in Programmierung und Data Science eine benannte Variable, die an eine Funktion übergeben wird. Im Machine Learning sind Parameter interne Größen eines Algorithmus, die aus Daten gelernt werden. Manche ML-Algorithmen sind parametrisch (feste Zahl an Parametern, z. B. lineare/logistische Regression), andere nichtparametrisch (z. B. k-Nearest Neighbors).
Precision
Precision ist eine Bewertungskennzahl, die das Verhältnis korrekt vorhergesagter positiver Fälle zur Gesamtzahl der vorhergesagten positiven Fälle angibt.
Predictive Analytics
Predictive Analytics analysiert historische Daten mithilfe von Statistik, Data Mining, Visualisierung und ML, um Vorhersagen über zukünftige Ereignisse in einem Geschäftsbereich zu treffen.
Principal Component Analysis (PCA)
Die Principal Component Analysis (PCA) ist eine statistische Methode der Faktorenanalyse und Dimensionality Reduction. Sie transformiert eine Menge möglicherweise korrelierter ursprünglicher Merkmale in eine kleinere Menge linear unkorrelierter Hauptkomponenten. So bewahrt sie möglichst viel Varianz, bei gleichzeitig reduzierter Feature-Anzahl.
Python
Python ist eine objektorientierte, hochsprachige Open-Source-Programmiersprache. Sie ist in der Data Science sehr beliebt, aber auch in der allgemeinen Softwareentwicklung weit verbreitet. Python ist leicht lesbar, einfach zu lernen und dennoch sehr mächtig. Es bietet eine große Standardbibliothek, viele zusätzliche Module und wird kontinuierlich weiterentwickelt.
R
R
R ist eine populäre Programmiersprache und freie Software für Data-Science- und ML-Aufgaben, besonders bekannt für statistische Rechenleistung und hervorragende Visualisierung. R bietet zahlreiche Pakete, läuft auf vielen Betriebssystemen und hat eine starke Community.
Random Forest
Random Forest ist ein überwacht lernender Algorithmus für Regression und Klassifikation, der die Ausgaben vieler Entscheidungsbäume in einem Modell kombiniert. Die Vorhersage entspricht im Wesentlichen dem Durchschnitt der einzelnen Bäume und ist dadurch oft genauer als die eines einzelnen Baums.
Recall
Recall ist eine Bewertungskennzahl, die das Verhältnis korrekt vorhergesagter positiver Fälle zur Gesamtzahl der tatsächlich positiven Fälle angibt.
Regression
Regression ist ein Supervised-Learning-Problem, bei dem kontinuierliche Zielgrößen aus Eingangsmerkmalen vorhergesagt werden. Das Modell lernt die Beziehung zwischen einem oder mehreren unabhängigen Merkmalen und der Zielgröße und nutzt die erlernte Funktion für neue Daten. Beispiele sind lineare Regression und Ridge-Regression; ein typischer Anwendungsfall ist die Preisvorhersage.
Reinforcement Learning (RL)
Reinforcement Learning (RL) ist ein eigenständiger ML-Zweig (weder supervised noch unsupervised), bei dem ein Algorithmus durch Interaktion mit einer Umgebung lernt. RL trifft Entscheidungen auf Basis vergangener Erfahrungen darüber, welche Aktionen es dem Ziel näher bringen. Durch Belohnungen und Strafen findet der Algorithmus eine optimale Strategie. Beispiele sind spielende ML-Systeme wie Schach-Engines oder Agenten in Videospielen.
Relational Database
Eine relationale Datenbank speichert Daten in mehreren Tabellen, die über eindeutige IDs (Keys) miteinander verknüpft sind. So lassen sich Daten in vielfältiger Weise zugreifen, extrahieren, zusammenfassen und neu zusammensetzen.
Root Mean Squared Error (RMSE)
Der Root Mean Squared Error (RMSE) ist die Quadratwurzel des MSE. Er ist oft intuitiver als der MSE, da er in denselben Einheiten wie die Originaldaten angegeben ist.
S
Sampling Error
Der Stichprobenfehler ist die statistische Abweichung zwischen Grundgesamtheit und ihrer Teilmenge (Stichprobe), weil die Stichprobe nicht alle Elemente der Population enthält.
SQL
SQL (Structured Query Language) ist eine Sprache zur Interaktion mit relationalen Database Management Systems (RDBMS). Es gibt verschiedene Dialekte, u. a. SQLite, PostgreSQL und MySQL – teils frei und Open Source. Die Syntax ist weitgehend ähnlich, mit kleineren Unterschieden in Zusatzfunktionen.
Standard Deviation
Die Standardabweichung ist die Quadratwurzel der Varianz einer Population. Sie zeigt die Streuung der Werte an und ist intuitiver als die Varianz, da sie in denselben Einheiten wie die Daten angegeben wird.
Supervised Learning
Supervised Learning ist ein ML-Zweig, bei dem ein Modell mit gelabelten historischen Daten trainiert wird. Es lernt die Beziehung zwischen Eingaben und Ausgaben und misst, wie genau es bekannte Ausgaben eines Testsatzes vorhersagt – um anschließend auf völlig neue Daten angewendet zu werden. Typische Algorithmen sind lineare/logistische Regression, Decision Trees und SVM. Beispiele: Hauspreise prognostizieren, Nachrichten als Spam oder Nicht-Spam klassifizieren.
SVM
SVM (Support Vector Machine) ist ein überwacht lernender Algorithmus, der vor allem für Klassifikation, aber auch für Regression eingesetzt wird. In der Klassifikation bestimmt SVM eine optimale Hyperbene, die die Klassen trennt (bei Multiklassenproblemen Zerlegung in binäre Teilprobleme). In der Regression liefert SVM eine bestmögliche Anpassung innerhalb einer Toleranzschranke.
Synthetic Data
Synthetische Daten sind künstlich erzeugte Daten. Sie spiegeln in der Regel die statistischen Eigenschaften des Ausgangsdatensatzes wider und eignen sich daher für Bereiche mit hohen Datenschutzanforderungen (z. B. Banken, Gesundheitswesen) oder zur Erweiterung bestehender Datensätze um statistisch repräsentative Beobachtungen.
T
Target Variable
Die Target Variable (auch abhängige Variable) ist die zu prognostizierende Größe in einem ML-Algorithmus. Beispiel: Sagen wir, wir schätzen Diabetes-Wahrscheinlichkeit anhand von Größe, Gewicht und Zuckeraufnahme – dann ist der Diabetes-Status die Target Variable.
Test Set
Das Test Set ist ein vor dem Modellbau abgetrennter Teil der Daten, meist 20–30 % des gesamten Datensatzes. Es dient zur Bewertung der Genauigkeit von Modellen, die auf dem Trainingssatz gelernt wurden.
Time Series
Eine Time Series ist eine zeitlich geordnete Folge von Beobachtungen einer Variable. Messungen erfolgen meist in gleichen, aufeinanderfolgenden Zeitabständen. Beispiele sind Aktienkurse oder Temperaturverläufe über einen Zeitraum.
Training Set
Das Training Set ist ein vor dem Modellbau abgetrennter Teil der Daten, meist 70–80 % des gesamten Datensatzes. Es dient zum Anpassen des Modells, das anschließend auf dem Test Set geprüft wird.
True Negative (TN)
Ein True Negative (TN) liegt vor, wenn das Modell bei einem binären Target die negative Klasse korrekt vorhersagt (also „False“ bei tatsächlichem Label False).
True Positive (TP)
Ein True Positive (TP) liegt vor, wenn das Modell bei einem binären Target die positive Klasse korrekt vorhersagt (also „True“ bei tatsächlichem Label True).
U
Underfitting
Underfitting liegt vor, wenn ein Modell die Muster im Trainingssatz nicht erkennt, weil es auf zu wenig Information basiert. Es ist zu simpel und leistet weder auf neuen Daten noch auf den Trainingsdaten gut. Underfitting geht mit hohem Bias einher.
Univariate Modeling
Univariate Modeling modelliert die Beziehung zwischen einer einzelnen Variablen (Prädiktor) und der Zielgröße. Häufig wird es bei Time Series eingesetzt.
Unstructured Data
Unstructured Data umfasst alle Daten ohne vorgegebenes Schema wie die typische Zeilen-Spalten-Struktur einer Datenbank. Beispiele sind Bilder, E-Mails, Textdokumente, Videos und Audiodateien.
Unsupervised Learning
Unsupervised Learning ist eine Klasse von ML-Algorithmen, die die Struktur eines Datensatzes ohne vorgegebene Zielvariable lernen. Ziel ist es, Muster zu entdecken, Werte anhand ihrer Merkmale zu gruppieren und daraus später Vorhersagen abzuleiten. Der bekannteste Algorithmus ist k-Means. Beispiele: Anomalieerkennung und Kundensegmentierung nach gemeinsamen Merkmalen.
V
Variance
Die Varianz ist in Mathematik und Statistik der durchschnittliche quadrierte Abstand einzelner Werte vom Mittelwert, also ein Maß für die Streuung. Im Machine Learning bezeichnet Varianz den Fehler, der durch die Sensitivität eines Modells gegenüber kleinen Änderungen im Trainingssatz entsteht. Hohe Varianz zeigt die Tendenz, zufälliges Rauschen zu lernen, und führt zu Overfitting.
W
Web Scraping
Web Scraping ist das automatisierte Extrahieren spezifischer Daten von Webseiten zur weiteren Nutzung. Dafür wird üblicherweise ein Programm geschrieben, das die benötigten Informationen ausliest.
Z
Z-Score
Der Z-Score (auch standardisierter oder Normalwert) gibt an, um wie viele Einheiten der Standardabweichung der Wert einer Beobachtung über oder unter dem Mittelwert der Gesamtheit liegt. Ein Z-Score von 0 bedeutet, dass die Beobachtung nahe am Mittelwert liegt.
