adathalmazokból

Adathalmazokból is a kifejezés olyan tevékenységekre utal, amelyek adathalmazokból származó adatokkal vagy ezekkel kapcsolatos folyamatokkal foglalkoznak. Az adathalmaz (dataset) egy vagy több adatpontot, jellemzőt és értékkészletet tartalmazó gyűjtemény, amelyet gyakran több forrásból állítanak össze. Az adathalmazokból származó adatok lehetnek egységesek vagy különböző forrásokból származóak, és a kiindulópontot képezik elemzések, modellezés vagy értelmezés számára.

A kontextus szerint az adathalmazokból származó műveletek közé tartozik a mintavételezés (kiválasztás egy részhalmazból), a szűrés (irreleváns vagy hibás adatok eltávolítása), a tisztítás (Hiányzó értékek kezelése, hibás bejegyzések javítása), a csoportosítás és az összesítés (aggregáció) a jellemzők létrehozásához vagy összehasonlításokhoz. Gépitanulásban és statisztikában gyakran beszélünk az adathalmazokból történő betanításról, validációról és tesztelésről, illetve több adathalmaz kombinálásáról vagy összevetéséről (például több forrásból származó adatok integrációja vagy összehasonlítása).

Fontos szempontok közé tartozik az adatok minősége, hiányzó értékek kezelése, következetesség és adatvédelmi előírások betartása. Az adathalmazokból végzett munka követi az általános tudományos és etikai normákat, és gyakran dokumentált adatnyerség, forrásjelölés és reprodukálhatóság formájában történik.

További kapcsolódó fogalmak: adathalmaz, adathalmazon belüli mintavétel, adattisztítás, adatintegráció, adatbázisok, adatvédelem.