Glossar

Testdaten sind Daten, die verwendet werden, um die Leistung eines maschinellen Lernmodells zu bewerten, nachdem es auf den Trainingsdaten trainiert wurde. Die Testdaten sollten unabhängig von den Trainingsdaten sein und eine repräsentative Stichprobe der Gesamtpopulation darstellen.

Trainingsdaten sind Daten, die zum Training eines maschinellen Lernmodells verwendet werden. Das Modell lernt aus diesen Daten, um Vorhersagen auf neuen Daten treffen zu können. Die Qualität der Trainingsdaten hat einen erheblichen Einfluss auf die Leistung des Modells.

Transfer Learning ist ein Ansatz des maschinellen Lernens, bei dem ein Modell, das auf einer bestimmten Aufgabe trainiert wurde, auf eine ähnliche, aber nicht identische Aufgabe angewendet wird. Durch die Verwendung von Transfer Learning kann man die Trainingszeit reduzieren und die Leistung des Modells verbessern.

Bandwagon-Effekt: Wir wollen Dinge haben oder tun, die andere auch haben oder tun – um dazuzugehören. (Psychologisches Verhaltensmuster)

Ein Trojaner ist eine vermeintlich nützliche Datei, die genutzt wird, um andere Malware auf einen Rechner einzuschleusen.

Underfitting ist ein Problem, das bei der Modellierung auftritt, wenn das Modell nicht in der Lage ist, die zugrunde liegenden Muster in den Daten zu erfassen. Dies kann dazu führen, dass das Modell schlechte Vorhersagen macht und seine Leistung bei der Generalisierung auf neue Daten beeinträchtigt wird. Underfitting tritt häufig auf, wenn das Modell zu einfach oder unzureichend trainiert ist.

Unstrukturierte Daten sind Daten, die nicht in einer bestimmten Form oder einem bestimmten Format vorliegen und nicht in einer Datenbank oder einem Tabellenkalkulationsprogramm organisiert werden können. Beispiele für unstrukturierte Daten sind Texte, Bilder oder Audiodateien. Unstrukturierte Daten sind schwieriger zu verarbeiten als strukturierte Daten und erfordern oft spezielle Methoden der Verarbeitung

Unsupervised Feature Learning ist eine Methode des maschinellen Lernens, bei der das Modell aus den Daten selbst lernt, welche Merkmale (Features) relevant sind. Im Gegensatz zur überwachten Lernmethode werden die Daten nicht gelabelt, und das Modell wird aufgefordert, Muster und Strukturen in den Daten zu identifizieren.

Als validation split wird der Anteil der Trainingsdaten bezeichnet, der zur Validierung des Modells genutzt wird und dient dazu, die Modell-Performance zu verbessern. Er hilft, die Genauigkeit zu bestimmen, mit der das Modell nach Abschluss der Trainingsphase arbeitet.

Validationsdaten sind eine Art von Daten, die verwendet werden, um die Leistung eines maschinellen Lernmodells zu bewerten und zu optimieren. Sie werden verwendet, um das Modell während des Trainings zu überwachen und zu vermeiden, dass es überangepasst wird. Validationsdaten sollten unabhängig von den Trainings- und Testdaten sein und eine repräsentative Stichprobe der Gesamtpopulation darstellen.