Datentraining

Datentraining bezeichnet den Prozess, bei dem Daten genutzt werden, um Modelle im Bereich des maschinellen Lernens und der künstlichen Intelligenz zu trainieren. Dazu gehört das Beschaffen, Vorverarbeiten und Auswählen von Daten sowie das Anpassen der Modellparameter anhand des Lernfortschritts. Datentraining unterscheidet sich von Inferenz oder Bereitstellung, wo das trainierte Modell für Vorhersagen eingesetzt wird.

Trainingsdaten können beschriftet (überwachtes Lernen) oder unbeschriftet (unüberwachtes Lernen) sein. Bei überwachten Lernaufgaben bilden Eingabedaten zusammen mit Zielkennwerten das Lernziel; bei unüberwachten Aufgaben lernt das Modell Strukturen aus den Eingaben. Teilüberwachtes Lernen oder Bestärkendes Lernen verwenden Daten auf unterschiedliche Weise.

Die Datenaufbereitung ist entscheidend: Fehlerhafte Einträge bereinigen, fehlende Werte behandeln, Normalisierung, Kodierung kategorialer Merkmale und Merkmalskonstruktion. Typischerweise wird die Datenmenge in Trainings-, Validierungs- und Testdaten unterteilt, um Leistung zu bewerten und Überanpassung zu verhindern.

Qualität und Repräsentativität der Daten sind zentral: Verzerrte oder nicht repräsentative Daten führen zu verzerrten Modellen. Datenschutz und Einwilligungen verlangen Anonymisierung, synthetische Daten oder Techniken wie Differential Privacy. Datenherkunft (Provenance) und Lizenzen beeinflussen Reproduzierbarkeit und Rechtslage.

Governance und Best Practices umfassen die Versionierung von Datensätzen, Dokumentation (Datasheets for Datasets), sowie Monitoring von Datenverschiebung (Data Drift) nach der Bereitstellung. Datentraining ist eng mit Modellbewertung, Validierung und fortlaufender Wartung verbunden.