adatgyjtemény

Az adatgyűjtemény olyan rendszer vagy állomány, amely adott célhoz kapcsolódó adatok összegyűjtött és rendezett halmazát képezi. Gyakran adatkészletnek vagy adathalmaznak is nevezik; a hangsúly az adatok szervezésén és a későbbi elemzésre való felkészítésen van. Az adatgyűjtemény lehet strukturált, például táblázatos adatokkal, vagy részben strukturált, például szabad szövegeket tartalmazó állományokkal.

Kialakításához gyakran az adatok gyűjtése, tisztítása, normalizálása és a leíró metaadatok megadása járul hozzá. A leggyakoribb formátumok közé tartozik a CSV, JSON és XML, továbbá relációs adatbázisok, adattárak és különböző adatcsomagok. A metaadatok például a forrás, a gyűjtés dátuma, a változók definíciói és a minőségi értékelések leírását szolgálják.

Az adatminőség és a jogi megfelelés érdekében elvégzik az adatok tisztítását, duplikátumok kizárását, hiányzó értékek kezelését és hibák javítását. Személyes adatok esetén általában anonimizálás vagy aggregálás történik, hogy a magánélet védve legyen.

Az adatgyűjtemények alapot adnak tudományos kutatásokhoz, statisztikai elemzésekhez, döntéstámogatási rendszerekhez és gépi tanulási feladatokhoz. A megbízhatóság érdekében fontos a források átláthatósága, a leíró dokumentáció és a reprodukálhatóság biztosítása.

Adatgyűjtemények kezelését és megosztását jogi előírások szabályozzák, így például a GDPR és más adatvédelmi rendelkezések kerülnek figyelembe vételre. Nyílt adatok esetén licencelés és szabályokkal megkötött megosztás lehetővé teszi a szabad felhasználást, míg zárt gyűjtemények esetén hozzáférések kontrolláltak.