Data Science wird immer populärer. Was verbirgt sich hinter Data Science? Warum ist Data Science so wichtig und Wie arbeiten Data Scientists heute? Eine kompakte Übersicht zu den wichtigsten Fakten und aktuellen Trends

Was - Data Science? [rɪ'zʌlt]

Data Science ist eine handwerklich hochwertige Dienstleistung, die die nutzbringende Verwertung von Datenstrukturierte und unstrukturierte Daten, unstrukturierte Daten beinhalten u.a. Bilder und Texte aller Art anstrebt. Ziele von Data Science sind ErkenntnisgewinnDaten --> Informationen --> Wissen, Prognoseerstellung, EntscheidungsoptimierungDecision Making und Systemautomatisierung. Verwandte Disziplinen sind Data AnalyticsTeilgebiet von Data Science mit dem Fokus auf statistische/mathematische Analyse vorhandener Datensätze, Data MiningTeilgebiet von Data Science mit dem Fokus auf Datenanalyse/Mustererkennung und der darauf aufbauenden modellgetriebenen Vorhersage zukünftiger Ereignisse, Begriff wird teilweise auch synonym zu 'Data Science' verwendet, Decision ScienceSynonym für Data Science mit der Betonung auf datengetriebene Entscheidungsfindung, Business AnalyticsData Analytics mit dem Schwerpunkt auf Business Daten, Business Intelligence (BI)Datengetriebenes Reporting (Dashboars u.ä.) - Intepretation historischer Daten, DMAICDefine - Measure - Analyse - Improve - Control: Datengetriebenes Framework des Qualitätsmanagement-Ansatzes Lean Six Sigma (LSS) zur Optimierung von Prozessen und Big DataTeilgebiet von Data Science mit dem Fokus auf der Verarbeitung großer Mengen unstrukturierter Daten in kurzer Zeit (Abgrenzungen fließend).

Obwohl die heute allgemein anerkannten Grundprinzipien von Data Science u.a. im Rahmen von datengetriebenen Arbeiten aus dem Bereich der Naturwissenschaften bereits lange Zeit methodisch vorweggenommen wurden, hat die Disziplin Data Science erst in den letzten Jahren die heutige enorme Aufmerksamkeit erreicht. Dazu beigetragen haben:

• eine signifikante Zunahme umfangreicher digitaler Datenbeständeimpliziert auch die exponentielle Leistungssteigerung der Speicherhardware in den letzten 20 Jahren - u.a. als Ergebnis von IoT/IIoT'Internet der Dinge' - 'Internet of Things' resp. als industrielle Ausprägung: 'Industrial Internet of Things', Social Mediahier insbesondere im Sinne von interaktiver Kommunikation und kollaborativen Schreiben, eCommerceOnlinehandel
• eine kontinuierliche Steigerung von Rechenleistungwesentlich angetrieben durch den Markt für Computerspiele - sowohl hinsichtlich der Entwicklung der graphical processing units [GPUs] als auch der Entwicklung der herkömmlichen CPUs: Die Performance von Serien-CPUs wurde zwischen 1990 und 2010 um den Faktor 5000 gesteigert.
• die Verfügbarkeit freier Bibliotheken und Frameworks

Data Science Projekte basieren idealerweise immer auf einer konkreten fachlichen Frage- oder ProblemstellungWas macht eine gute Fragestellung aus? - ask yourself: who is going to do what with the answer to this? - ask "smart" question .. (Josh Muncke). Von dieser Fragestellung ausgehend, werden relevante Daten gesammelt resp. ausgewählt, bereinigt, ggf. aggregiert / aufbereitet, sowie analysiert und visualisiert (Mustererkennung). Aus den aufbereiteten Daten werden Modelle unterschiedlicher Komplexität abgeleitet, die die Abbildung von unabhängigen Input-Variablen auf ein oder mehrere Ziel-Variablen implementieren. Die abgeleiteten Modelle erlauben Voraussagen für zukünftige Entwicklungen resp. für bisher nicht erprobte Konstellationen sowie - darauf aufbauend - die Formulierung von Handlungsempfehlungen.

Modelle können für entsprechende Anwendungsfälle in IT-Systemen integriert und regelmäßig automatisiert ausgeführt werden. Werden die abgeleiteten Modelle regelmäßig automatisiert ausgeführt, ist eine kontinuierliche Prüfung, Wartung und ggf. Weiterentwicklung der Modelle notwendig.

Begriffliche Einordnung

Die einzelnen Ausprägungen werden begrifflich eingeordnet:

• die Analyse und Visualisierung von Daten (Mustererkennung) wird als Exploratory Data Analysis (EDA)John Tukey, 1970er Jahre, alternativer neuerer Begriff: 'Deskriptive und Diagnostische Analytics' bezeichnet. Die EDA ist der Schwerpunkt von Data Science im engeren Sinne.
• die auf der EDA aufbauende Modellerstellung mit dem Ziel der Prognose / Decision Making wird als Predictive Analytics resp. als Machine Learning (ML) bezeichnet.
• Künstliche Neuronale NetzeArtificial Neural Networks, Fully-Connected Neural Networks; Deep Learning als Spezialisierung von ML; auch: 'layered representations learning' oder 'hierarchical representations learning' (Deep Learning) sind besonders leistungsfähige Modelle, die die bisher gebräuchlichen, explizit formulierten Modelle auf Grund der größeren Prognose-Leistungsfähigkeit ergänzen resp. ablösen. Sie kommen zum Einsatz, wenn große Mengen unstrukturierter Daten und/oder komplexe Fragestellungen analysiert werden. Der Nachteil der neuronalen Netze gegenüber den explizit formulierten Modellen ist die fehlende Transparenz hinsichtlich Interpretierbarkeit / Verständlichkeit und die notwendige große Menge an Trainingsdaten.
• Convolutional Neural Networks (CNN)auch: 'ConvNet', deutsch etwa „faltendes neuronales Netzwerk“, von lat. "convolvere" = zusammenrollen sind auf die maschinelle Verarbeitung von Bild- und Videodaten spezialisierte Modelle, bei denen zunächst über ein systematisches Abtasten mit Filternhorizontal line filter, vertical line filter, diagonal line filter etc. Features und deren Positionen in den Eingangsbildern in Feature Maps erfasst und aus diesen Sekundärinformationen dann in einem zweiten Schritt die abhängigen Variablen über ein neuronales Netz abgeleitet werden. Herkömmliche neuronale Netze, die direkt auf den Inputdaten agieren, stoßen bei der Verarbeitung von Bild- und Videodaten auf Grund des notwendigen Rechneraufwandes an ihre Grenzen.
• die vollautomatische Entscheidungsfindung wird der Künstlichen Intelligenz (KI)Artifizielle Intelligenz, engl. Artificial Intelligence, AI zugeordnet.

Künstliche Intelligenz

Der Begriff der Künstlichen Intelligenz stellt einen Sonderfall dar, da er bereits in den 50er Jahren geprägt wurde und primär empirisch (nicht-technisch) definiert ist: Eine Maschine wird als 'intelligent' bezeichnet, wenn eine Testperson bei der Kommunikation mit dieser Maschine nicht unterscheiden kann, ob der Kommunikationspartner ein Mensch oder ein Programm ist (sogenannter 'Turing-Test').

Eine in diesem Sinne intelligente Maschine muss nicht zwingend datenbasiert funktionieren. Vielmehr ist bis zu einem bestimmten Umfang eine regelbasierte Umsetzung möglich, in dem Fakten, Ereignisse oder Aktionen mit konkreten und eindeutigen Repräsentationen erfasst werden und auf diesen Symbolen mathematische Operationen definiert werden (symbolische KIwas the dominant paradigm in AI from the 1950s to the late 1980s. It reached its peak popularity during the expert systems boom of the 1980s). Für komplexere Probleme werden jedoch datenbasierte, in der Regel selbstlernende Ansätze benötigt (statistische KI). Die beiden Bereiche Data Science und Künstliche Intelligenz überschneiden sich somit gegenseitig, ohne dass einer der beiden Bereiche den anderen vollumfänglich abdecken würde.

EU-Datenschutz-Grundverordnung

Durch kontinuierliches Aufzeichnen von Benutzeraktivitäten und -positionen sowie die systematische Verknüpfung großer Datenmengen mithilfe leistungsfähiger Algorithmen können detaillierte personenbezogene Benutzerprofilez.B. Bewegungsprofile, Kaufverhalten abgeleitet und missbräuchlich verwendet werden. Die DSGVOEU-Datenschutz-Grundverordnung, engl.: European privacy regulations, GDPR schräkt deshalb die Sammlung, Speicherung, Verarbeitung und Weitergabe personenbezogener Daten ein:

• jede Erhebung personenbezogener Daten hat zweckbestimmt zu erfolgen. Sie ist generell nur dann erlaubt, wenn ein berechtigtes Interesse für die Erhebung vorliegt, und sie muss sich auf das für den konkreten Zweck notwendige Maß beschränken.
• die Speicherung der Daten ist auf den für den konkreten Zweck notwendigen Zeitraum zu beschränken, anschließend müssen die Daten gelöscht werden. Darüber hinaus hat jede betroffene Person jederzeit das Recht, das Löschen der eigenen Daten explizit zu veranlassen (Recht auf Vergessen)
• Datenspeicherung und -verarbeitung müssen unter Berücksichtigung der Gewährleistung der Privatsphäre resp. des Datenschutzes nach aktuellen Standards erfolgen. Datenspeicherung und -verarbeitung müssen transparent und nachvollziehbar sein.

Die DSGVO gilt unabhängig vom Sitz der Institution/vom Wohnort der Person, die Daten sammelt und/oder verarbeitet, wenn die Daten europäische Personen betreffen. Sie zielt auch auf Datensätze, die selbst keine personenbezogenen Daten enthalten aber die Ableitung solcher Daten über die Kombination mehrerer Datensätze erlauben.

Data Science und DSGVO stehen in einem offensichtlichen Spannungsfeld zueinander, nicht zuletzt auch durch die fehlende detaillierte Nachvollziehbarkeit der Funktionalität Neuronaler Netze. Lösungen werden z.B. mit Ansätzen einer Explainable Artificial IntelligenceXAI, erklärbare künstliche Intelligenz/erklärbares Maschinenlernen diskutiert.

Warum Data Science? ['pə:(r)pəs]

Date Science erklärt einerseits beobachtete/gemessene Phänomene und ermöglicht andererseits nachvollziehbare, datengetriebene operative und strategische Entscheidungen - auch automatisiert und in Echtzeit. Wo eine Vollautomatisierung nicht möglich oder nicht erwünscht ist, können Digitale Assistenzen menschliche Experten in Echtzeit unterstützen.

Vertrieb / Kundenkommunikation: Webseiten können datenbasiert optimiert werden, Kaufempfehlungenproduct recommendation benutzerspezifisch formuliert werden, Preise dynamisch gestaltet werden, Werbeanzeigen zielgenau eingeblendet werden und Informationen priorisiert/selektiv kommuniziert werden ('gläserner Kunde', Warenkorbanalyse, Bewertungssysteme). Die praktische Anwendung von Data Science in diesen Feldern ist weit fortgeschritten, was zur Forderung nach einem 'digitalen Verbraucherschutz' und einer verstärkten Awareness der Benutzer für den Umgang mit den eigenen Daten geführt hat.

In der Versicherungsbranche können Schadensrisiken unter Betrachtung zahlreicher Einflussfaktoren spezifisch quantifiziert werden. Derartige Modellbetrachtungen werden als Grundlage für die Prämienbemessung für die Risiko-Versicherung seit langer Zeit durchgeführt, moderne Data Science Methoden erlauben dabei eine größere Detaillierung und Differenzierung. Algorithmen ergänzen und ersetzen zukünftig (teilweise) die Arbeit der Sachbearbeiter und Experten.

Verbale Sprache, Texte und Bilder können mit SpracherkennungSpeech Recognition, Voice Recognition, Handschriftenerkennunghandwriting transcription: Ziffernerkennung / Digit Recognition; seit den 1990 Jahren ('LeNet', Yann LeCun, Bell Labs), Texterkennung (OCR)optical character recognition, Text MiningErkennung von Bedeutungsstrukturen in un- oder schwachstrukturierten Textdaten und Image Processingmaschinelles Sehen/computer vision: u.a. Gesichtserkennung, image classification, Object detection automatisch analysiert, klassifiziert und (vor)verarbeitet werden. Call Center Tätigkeiten werden damit zukünftig in Teilen von Software übernommen werden, digitale Simultandolmetscher übernehmen Übersetzungsarbeitenwird u.a. von Google Translate und beim Kölner Technologieunternehmen DeepL realisiert.

In der Medizin können Röntgenbilder und andere Bilder automatisch analysiert und bewertet werden. Erkrankungswahrscheinlichkeiten und erwartete Krankheitsverläufe können z.B. durch eine Protein-Analyse vorhergesagt werden.

Im Online-, Kreditkarten- oder Versicherungsgeschäft werden mit Data-Science-Techniken Betrugsversuche bei Finanztransaktionen detektiert (Fraud Detection, Anomalie-Erkennung). Die Analyse von wiederkehrenden Mustern im Bereich der Kriminalität ermöglicht eine vorausschauende Polizeiarbeit. Date Science ermöglicht aber auch eine effiziente und u.U. problematische Überwachung und Leistungsbewertung von Mitarbeitern, Bürgern, Sportlern usw.. Problematisch sind hier insbesondere (Einzel-)Fälle, wo die verwendeten Algorithmen 'irren', trotzdem aber automatisiert Maßnahmen mit negativen Auswirkungen für ggf. unbescholtene Betroffene ausgelöst werden.

Im Mobilitätssektor hilft Date Science Bedürfnisse von Fahrgästen und Kunden zu analysieren / zu verstehen / zu prognostizieren und die Angebotsplanung zu optimieren. Flotten und Infrastrukturen werden bedarfsgerecht ad hoc disponiert sowie Fahrgäste und Autolenker situationsgerecht geleitet (Smart Public Transport, Smart Cities). Etwaige Störungen können frühzeitig erkannt, etwaige Fahrzeug- und Infrastrukturausfälle mit Predictive Maintenancevorausschauende Wartung minimiert werden.

Datenbasierte Geschäftsmodelle bilden zusammen mit dem IoTInternet der Dinge - Internet of Things und Blockchaindezentrales Buchführungssystem über kryptografisch abgesicherte Verkettung von Blöcken die Basis für die moderne Sharing Economygeteilte Nutzung von freien Ressourcen.

Datenbasierte KI ist die Basis für komplexe autonome Systeme und für autonomes Fahren. Allgemein wird angenommen, dass Maschinen mit datenbasierter KI die menschliche Intelligenz in absehbarer Zeit "erreichen" und "übertreffen" können und damit ein neues Kapitel in der Zusammenarbeit Mensch / Maschine aufgeschlagen werden wird. Der Sieg des Programms AlphaGo über mehrere (menschliche) Meister gilt als Meilenstein auf diesem Weg. Andererseits hat es der Geschichte der KI seit den 1950er Jahren bereits mehrfach Phasen gegeben, in denen hochgesteckte ErwartungenMarvin Minsky, 1970: 'In from three to eight years we will have a machine with the general intelligence of an average human being.' geweckt aber dann doch nicht erfüllt wurden. Heute sind (vermeintlich) fehlende Business Cases als auch kulturell begründete Einschränkungen limitierende Faktoren für den Einsatz von KI in traditionellen Branchen und Gesellschaftsbereichen.

Wie - Data Science? ['meϴəd]

fachlich

Bei der am Anfang von Data Science Projekten stehenden Exploratory Data Analysis (EDA)Begriff von John Tukey, 1970er Jahre, alternativer neuerer Begriff 'Deskriptive und Diagnostische Analytics' werden sowohl Erkenntnisse zu den beobachteten fachlichen Fragestellungen (Prozesse, Ereignisse, Beobachtungen usw.) als auch Beobachtungen zum untersuchten Datensatz (verfügbare Daten, Datenvollständigkeit, Datenqualität) zusammengetragen und begutachtet.

Hierzu werden relevante statische Kennzahlen (Wertebereiche, Mittelwerte, Verteilung: Varianz, Schiefe, Wölbung, zeitliche und räumliche Verteilung, Zusammenhänge: Kovarianz und Korrelation, Unregelmäßigkeiten: Fehlwerte, Anomalien) möglichst vollständig und systematisch erfasst. Die gewonnenen Erkenntnisse werden optisch mit geeigneten Grafiken (Box-Plot, Histogramm, Streudiagramm, Zeitreihen, Correlation Plot Matrices) visualisiert.

Bei der Modellbildung stehen ja nach Art der zu lösenden Fragestellung unterschiedliche Modellarten zur Auswahl:

• Klassifizierungsprobleme: Probabilistic Modeling / Naive Bayes, Logistic Regression / binäre Vorhersagen, K-Nearest Neighbors (K-NN), Support Vector Machine (SVM) / Kernel SVM, Decision Tree Classification / Entscheidungsbäume, Random Forests Classification, Gradient Boosting Machines, Neuronale Netze
• Regression: Simple Linear Regression, Multiple Linear Regression, Polynomial Regression, Support Vector Regression (SVR), Decision Tree Regression, Random Forest Regression, Neuronale Netze
• Clustering: Gruppierung ähnlicher Objekte, z.B. mit K-means Clustering
• Assoziationsanalyse - Identifizierung von Regeln von Eingabedaten (z.B. Warenkorbanalyse): Apriori, Eclat
• Spracherkennung und Textanalyse: HMMsHidden-Markov-Modelle, erstmals in der zweiten Hälfte der 1960er Jahre publiziert. Eine der ersten Applikationen ab Mitte der 1970er die Spracherkennung, seit Mitte der 1980er für die Analyse von Nukleotid- und Proteinsequenzen eingesetzt und seitdem fester Bestandteil der Bioinformatik.
• Computer vision (maschinelles Sehen) - Objekterkennung, Gesichtserkennung: CNNs
• Zeitreihenmodellierung: Exponential smoothingExponentielle Glättung: Verfahren der Zeitreihenanalyse zur kurzfristigen Prognose aus einer Stichprobe mit periodischen Vergangenheitsdaten., ARIMA ModelleARMA: AutoRegressive-Moving Average - autoregressiver gleitender Durchschnitt/Mittelwert bzw. ARIMA/ARMAX: autoregressive Modelle der gleitenden Mittel und deren Erweiterungen und Neuronale Netze (LSTMlong short term memory - a class of recurrent neural networks) , auch: Threshold Autoregressive Models (TAR) and Smooth Transition Autoregressive Models (STAR)

Die konkrete Wahl des einzusetzenden Modells ist von mehreren Faktoren abhängig, u.a. von der Größe/Menge der Datensätze, der Qualität der Daten (z.B. Linearität), von der konkreten Fragestellung sowie von der Anzahl der unabhängigen Variablen resp. der sich daraus ergebenen relevanten Kombinationen von Eingangsgrößen. So kann ein einfaches Klassifizierungsproblem mit relativ wenigen unabhängigen Variablen über eine (logistische) Regression gelöst werden, während bei einer großen Menge an relevanten Kombinationen von Eingangsgrößen ein Random Forest Ansatz ggf. eher eine zuverlässige Vorhersage sicherstellt. Darüber hinaus gibt es eine historische Komponente, da einige Modelle erst seit kurzer Zeit, andere Ansätze schon viele Jahrzehnte zur Verfügung stehen.

Soll ein Künstliches Neuronales Netz / Convolutional Neural Network (CNN) verwendet werden, so muss dessen Struktur entsprechend der konkreten Aufgabenstellung festgelegt werden. Die Netz-Topologie basiert auf einer Folge von Schichten künstlicher Neuronen (Nodes). Zwischen einer 'Eingabeschicht' und einer 'Ausgabeschicht' existieren ein oder mehrere Zwischenschichten ('hidden layer') - je mehr Zwischenschichten eingefügt werden desto 'tiefer' das Neuronale Netz. Über gewichtete Verknüpfungen zwischen den Neuronen werden durch das Netz Informationen (Aktivierungssignale) schrittweise von der Eingabeschicht bis zur Ausgabeschicht transferiert. Die Verknüpfung der Neuronen untereinander erfolgt im einfachsten Fall ausschließlich vorwärts in Verarbeitungsrichtung (Feedforward Neural Networks), während rekurrente bzw. rückgekoppelte neuronale Netze auch Verbindungen von Neuronen einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht vorsehen.

Die Ausgestaltung der Zwischenschichten (Anzahl der Schichten, Anzahl der Neuronen pro Schicht, Verknüpfungen) beeinflussen Leistungsfähigkeit und notwendigen Rechenbedarf Neuronaler Netze in signifikanter Art und Weise und sind damit der Schlüsselfaktor für die Umsetzung. Weitere festzulegende Parameter sind u.a.:

• Auswahl der Aktivierungsfunktion (activation function)Step (Threshold Function), Sigmoid, Rectified Linear Unit (ReLU, auch: Ramp Function), Tanh (Hyberbolic Tangent), Identity (linear activation function), Piecewise Linear, Complementary log-log, Bipolar, Bipolar Sigmoid, LeCun's Tanh, Hard Tanh, Absolute, Modifications of ReLU, Smooth Rectified Linear Unit (Smooth Max, Soft plus), Logit, Probit, Cosine, ...: mit dieser Funktion wird für jeden Node aus der Summe der lokalen Eingangssignale das jeweilige lokale Ausgangssignal berechnet. Hidden Layer und Ausgabelayer werden in der Regel unterschiedliche Aktivierungsfunktionen zugewiesen.
• Auswahl der Kostenfunktion (cost function)Kostenfunktion = mittlere Abweichung für die gesamten Trainingsdaten. Loss function = Abweichung für den individuellen Datensatz. Im Sinne einer übergeordnete Sichtweise wird auch der Begriff 'Objective function' verwendet. Optionen: Quadratic cost (mean squared error, maximum likelihood, sum squared error), Cross-entropy cost (Bernoulli negative log-likelihood, Binary Cross-Entropy), Exponentional cost, Hellinger distance, Kullback–Leibler divergence (Information Divergence, Information Gain, Relative entropy, KLIC, KL Divergence), Generalized Kullback–Leibler divergence, Itakura–Saito distance, ...: mit dieser Funktion werden für Trainingsdaten die Abweichungen zwischen berechnetem und theoretischen Ausgabewert ermittelt. Auf Basis dieser Information werden anschließend die spezifischen Wichtungsfaktoren automatisch über den Backpropagation'Backpropagation of Error' bzw. 'Fehlerrückführung' / 'Rückpropagierung' Mechanismus justiert (GradientenverfahrenGradient-descent optimization: effiziente Lösung eines Optimierungsproblems, hier konkret die Minimierung der Cost funktion; Varianten: Batch Gradient Descent und Stochastic Gradient Descent).
• Festlegung der Learning Rate

Querschnittsaspekte jeder Modellierung sind Normalisierung und Feature Engineering, wobei letzteres bei der Verwendung neuronaler Netze teilweise bereits implizit erfolgt.

Jedes Modell (jedes Neuronale Netz), welches für Prognosen verwendet wird, muss in Abhängigkeit der gewählten Modellklasse geeignet "trainiert", "evaluiert" (getestet) und schrittweise "optimiert" werden. Die dabei erreichte Genauigkeit eines Modells wird mit Metriken beschrieben (RMSERoot Mean Square Error, MAEaverage of the absolute difference between the predicted values and observed values). Die geeignete Wahl von Trainings- und Testdatensätze sowie die Einschränkung der Anzahl von Parametern und Freiheitsgraden helfen ÜberanpassungOverfitting zu vermeiden. Je komplexer ein Modell ist, umso aufwendiger ist die Trainingsphase: bei neuronalen Netzen werden typischerweise tausende von Trainingsdatensätze in zehn oder mehr Iteration durchgerechnet.

• Die einfachste Trainingsform ist das Überwachte LernenSupervised Learning, deutsch auch: kontrolliertes/beaufsichtigtes Lernen, bei dem bereits bekannte (statische) Zielgrößen und die dazugehörigen Einflussfaktoren bereitgestellt werden, und das Modell ex post auf eine möglichst genaue Ableitung der Zielgrößen optimiert wird. Überwachtes Lernen wird somit bei Regressionsproblemen und Klassifizierungsproblemen verwendet.
• Beim Unüberwachten LernenUnsupervised Learning, deutsch auch: unkontrolliertes/unbeaufsichtigtes Lernen sind konkrete Zielgrößen nicht vorgegeben und das Modell muss eine geeignete Ordnung der vorhandenen Daten (ebenfalls ex post) basierend auf Clustering resp. Assoziationsanalyse selbstständig ermitteln.
• Bestärkendes LernenReinforcement Learning, RL bildet die dritte große Gruppe von Machine Learning Verfahren und ist eine am natürlichen Lernverhalten des Menschen orientierte, auf "Trial and Error" beruhende Lernmethode. Sie erfordert eine sehr große Anzahl an Iterationen, während derer das Modell lernt, den Zusammenhang zwischen seinen Aktionen und dem künftig zu erwartendem Nutzen in jedem Status zu approximieren und situationsbedingte Entscheidungen zu optimieren.

technisch

Data Scientists programmieren mit R1992, Ross Ihaka und Robert Gentleman, Auckland University: first public announcement in 1993, first release as open source software in 1995, version 1.0.0 in 2000, Pythonvon Guido van Rossum im Jahr 1989 entwickelt, heute (auch außerhalb von Data Science) eines der beliebtesten Sprachen von Software-Entwicklern weltweit, SASSAS Institute, weltweit größtes Softwareunternehmen / größter Business-Analytics-Anbieter in Privatbesitz, SPSSIBM SPSS Software für Predictive Analytics, STATAStata | Data Analysis and Statistical Software, IDLInteractive Data Language, Software von Exelis-VIS, insbesondere im wissenschaftlichen Umfeld, ANARichard Shine, Lockheed Martin Solar and Astrophysics Lab in Palo Alto, California und Matlab. Ergänzend kommen übergeordnete Tools, Sprachen und Frameworks für das Datenmanagement zum Einsatz, insbesondere im Kontext der Verarbeitung großer Datenmengen (Big Data/Big Computing, verteilte Cluster/Parallel Computing): HadoopFramework für skalierbare, verteilt arbeitende Software basierend auf dem MapReduce-Algorithmus und dem Google File System/Hadoop Distributed File System, seit 2006, Apache Sparkopen-source, in-memory analytics engine for large-scale data processing (machine learning), seit 2010, im Vergleich zu Hadoop signifikant schneller und einfacher zu handhaben , Scala, DBI, ODBC. Am anderen Ende der Skala sind einfachere Data Science Anwendungen auch mit Tableau oder Excel (Schwerpunkt Visualisierung) resp. JavaScriptz.B. mit brain.js (Schwerpunkt einfache Integration in vorhandene Systemlandschaft) möglich.

Die beiden zentralen Sprachen R und Python sind populäre Open Source Sprachen mit einer großen Community und zahlreichen frei verfügbaren Erweiterungen (Packages, Bibliotheken). Die Anwendungsfelder der beiden Sprachen überlappen sich, wobei die Schwerpunkte von R eher in der Analyse und Visualisierung (Mustererkennung) sowie im akademischen Bereich liegen, während Python in komplexeren Anwendungen zum Einsatz kommt.

R Code ist über den Pipe Operator %>% und weiteren Eigenschaften von dplyr ausgesprochen gut nachvollziehbar programmierbar, gleichzeitig aber weniger intuitiv in Funktionen strukturierbar (non-standard evaluation / NSE). Für R funktioniert das Package Management sehr zuverlässig (CRAN), während unter Python mehrere konkurrierende Manager existieren (u.a. Conda) und insbesondere unter Windows die Installation von Entwicklungs- und Ablaufumgebungen sehr zeitintensiv sein kann. Interaktive, webbasierte R-Applikationen lassen sich in R über Shiny direkt erstellen, während bei Python eine maßgeschneiderte HTML/Javascript Ergänzung benötigt wird.

Grundlegende R-Packages werden im folgenden aufgelistet. Tidyverse Pakete sind mit '#' (Kernbibliotheken) resp. mit '+' (ergänzende Pakete) gekennzeichnet. Die Tidyverse Collection ist ein Set ausgewählter, aufeinander abgestimmter R-Packages, welche u.a. den gleichen Workflow referenzieren und deshalb einfach miteinander kombiniert werden können.

• readr# (CSV), readxl+ (XSL), XML, jsonlite (JSON), curl (file transfer), httr (http request), tidyr#, dplyr# und data.table für das Einlesen von Daten(Streams) sowie allgemeine Datenmanipulationen von Data Frames
• purrr# für das effektive Arbeiten mit Listen und Vectoren resp. für optimierte Schleifenimplementierung,
• lubridate+, xts, zoo, tsibble, tibbletime, timeSeries, anytime und tsbox für die Behandlung von Zeitstempeln / Zeitserien (dates and times).
• stringr# für Stringmanipulationen
• ggplot2# (und abgeleitete Extensions), WVPlots sowie plotly für die Datenvisualisierung / Graphiken
• igraph für die Analyse von Netzwerken / Graphen (Visualisierung: ggraph, alternativ/ergänzend graphlayouts)
• tidytextfür Text Mining
• rmarkdown, flexdashboard, shinydashboard für Präsentationen / Dashboards
• bookdown und pandoc für Dokumentenerstellung und -konversionen
• RUnit, testthat, unitizer und tinytest für (Unit) Testing - ergänzend/in Kombination zum internen R-Testmechanismus 'R CMD check'
• Shiny (Web-Apps) und plumber (REST APIs) für die Implementierung externer Schnittstellen

Zugriffe auf Python-Module und -Funktionen von R aus sind mit reticulate möglich. sparklyr, mlflow und cloudml ermöglichen den Zugriff auf Apache Sparkin-memory analytics engine for large-scale data processing (machine learning), seit 2010, mlflowAn open source platform for the machine learning lifecycle und Google CloudMLGoogle Cloud Machine Learning Engine. Darüber hinaus existieren zahlreiche sehr spezifische Pakete, wie wbstats und WDI für den Zugriff auf Daten und Statistiken der Weltbank.

Wichtige Python-Bibliotheken sind Dask, NumPy, pandas, Numba, SKLearn (scikit-learn), Matplotlib, Bokeh, Datashader, HoloViews, Scipy, NLTK und PySpark. Mit Anaconda steht eine Python-Distribution zur Verfügung, die die wichtigsten für Data Science relevanten Bibliotheken bereits integriert hat.

Sowohl für R als auch für Python stehen proprietäre IDEs zur Verfügung: RStudio, Jupyter Notebook, Spyder, PyCharm. Darüber hinaus werden sprachunabhängige, integrierte Data Science Plattformen sowohl cloudbasiert (Azure Machine Learning platform, Microsoft Cortana Intelligence Suite, Kaggle) als auch on premises (wie RapidMiner) angeboten.

Für die effektive Umsetzung Neuronaler Netze stehen inzwischen mehrere Open Source Deep Learning Frameworks zur Verfügung, wie:

• TensorFlow (Google, 2015): geschrieben in C++ und Python, einer der besten Open Source Frameworks, genutzt u.a. von DeepMind, Uber, AirBnB und Dropbox, für 2019 Version 2.0 mit neuer Architektur und überarbeiteten API angekündigt
• PyTorch (Facebook, 2016): Python Version von Torch, genutzt u.a. von Twitter und Salesforce
• MXNet (Apache, 2015): unterstützt eine große Bandbreite an Sprachen, wie Python, Julia, C++, R, JavaScript
• CNTK (Microsoft, 2016): Microsoft Cognitive Toolkit; unterstützt Python, C++, C#, and Java; genutzt u.a. für Skype, Xbox und Cortana
• Theano (2007): Python Library, entwickelt vom MILA lab an der Université de Montréal

Die Keras API, ab 2015 entwickelt von François Chollet, bietet eine einheitliche Schnittstelle auf die unterschiedlichen Architekturen von TensorFlow, CNTK und Theano. Die Berechnungen erfolgen wahlweise über CPU (unter Nutzung der low-level Bibliothek für tensor operations 'Eigen') oder GPU (unter Nutzung der NVIDIA CUDA Deep Neural Network Bibliothek 'cuDNN').

Für die effektive Implementierung von Gradient Boosting Lösungen stehen ebenfalls sprachenübergreifende Frameworks zur Verfügung: XGBoost (Tianqi Chen, 2014), CatBoost, LightGBM

Wenn eine eigene Rechner-Infrastruktur fehlt, können für die Analyse großer Datenmengen Cluster (Data Science and Machine-Learning Platforms) u.a. von Databricks, Amazon, Google und Azure verwendet werden.

Für das Deployment von Data Science Anwendungen für den produktiven Einsatz kommen - je nach Einsatzgebiet und Umgebung - z.B. Docker Containerlinuxbasierte Open Source Lösung für Containervirtualisierung zur isolierten Bereitstellung / zum isolierten Betrieb mehrerer Anwendungen auf einer Machine (ggf. in Konbination mit NGINXNGINX handles SSL encryption and a simple username/password authentication (HTTP Basic Authentication) und AHUBseparating these tasks in multiple containers in a Docker swarm) und/oder Microservicesmehrere voneinander weitgehend entkoppelte Dienste ergeben ein flexibles, modulares Architekturmuster, welches weitgehend skalierbar ist und rasche, punktuelle Updates ermöglicht zum Einsatz.

Der Mensch

Während Standard-Anwendungsfälle der Datenaufbereitung durch KI immer stärker automatisiert werden, liefern individuelle Data Science Lösungen maßgeschneiderte Ergebnisse. Auch strategische und inhaltliche Führung können Maschinen nicht wirklich gut. Hier wie dort besteht zukünftig weiter Bedarf, die neue Welt individuell gestalten zu helfen.

Data Scientists benötigen Expertise in statistischen Methoden, programmiertechnische Fähigkeiten sowie Businessanalyse/Domänenwissen. Eine proaktive bereichsübergreifende Kommunikation ist der notwendige Schlüssel zum Erfolg von Data Science-Projekten, insbesondere im kommerziellen (nicht-akademischen) Umfeld.

In umfassenden Projekten wird zwischen Data Scientists, Data Architects, Data Engineers und Data Analysts unterschieden. Ein aktives und kontinuierliches Management (Leadership) des Data Science Teams ist unerlässlich. Die besondere Herausforderung der Leitung von Data Science Projekten ist, dass diese Projekte u.U. sehr explorativ und ergebnisoffen angelegt sind.

Data Scientists bilden weltweit eine aktive und offene Community, die sich über einschlägige Plattformen wie Kaggle, Towards Data Science, R-Ladies, KDnuggets, DataCamp u.a. austauschen.

 Bücher (Online-Books):

• 'A Byte of Python',
• 'R for Data Science' by Grolemund and Wickham,
• 'Advanced R' by Hadley Wickham,
• 'R packages' by Hadley Wickham,
• 'R Markdown: The Definitive Guide' by Xie, Allaire and Grolemund,
• 'Forecasting: Principles and Practice' by Hyndman and Athanasopoulos,
• 'Text Mining with R' by Silge and Robinson,
• 'Neural Networks and Deep Learning' by Michael Nielsen / Dec 2017,
• 'plotly for R' by Carson Sievert,
• 'Evidence-based Software Engineering using R' by Derek M. Jones,
• 'bookdown: Authoring Books and Technical Documents with R Markdown' by Yihui Xie,
• 'Neural Networks and Deep Learning' by Michael Nielsen / Oct 2018

 Podcasts:

• 'Not So Standard Deviations' with Roger Peng and Hilary Parker,
• 'Storytelling with data podcast' with Cole Nussbaumer Knaflic,
• 'SuperDataScience Careers Podcast' with Kirill Eremenko,
• 'DataHack Radio' from Analytics Vidhya,
• 'DataFramed' - DataCamp’s official podcast. Presented by Hugo Bowne-Anderson.

 Blogs:

• R bloggers,
• Data Science Blog,
• STATWORX

 Artikel:

• Comprehensive list of activation functions in neural networks with pros/cons (Phylliida, 2015),
• A list of cost functions used in neural networks, alongside applications (Phylliida, 2018),
• Efficient BackProp (Yann LeCun et al., 1998),
• Deep Sparse Rectifier Neural Networks (Xavier Glorot et al., 2011),
• A Neural Network in 13 lines of Python (Part 2 - Gradient Descent) - Improving our neural network by optimizing Gradient Descent (Andrew Trask, 2015),
• Gradient-Based Learning Applied to Document Recognition (Yann LeCun et al., 1998),
• Introduction to Convolutional Neural Networks (Jianxin Wu, 2017),
• Understanding Convolutional Neural Networks with A Mathematical Model (C.-C. Jay Kuo, 2016),
• Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification (Kaiming He et al., 2015),
• Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition (Dominik Scherer et al., 2010),
• The 9 Deep Learning Papers You Need To Know About (Understanding CNNs Part 3) (Adit Deshpande, 2016),
• A Friendly Introduction to Cross-Entropy Loss (Rob DiPietro, 2016),
• Mit Turing und Heidegger über künstliche Intelligenz nachdenken (NZZ, 2019)

Impressum und Datenschutzerklärung

Diensteanbieter, Autor und Gestalter:		Dr. Matthias Bleyl, flexITCS e.u., Sportplatzstr. 4, A 3385 Markersdorf Firmenbuchnummer 391425a
Haftung:		Sämtliche Texte auf der Website wurden sorgfältig geprüft. Dessen ungeachtet kann jedoch keine Garantie für Richtigkeit, Vollständigkeit und Aktualität der Angaben übernommen werden.
Copyright:		Sämtliche Texte, Grafiken und Bilder sind urheberrechtlich geschützt. Eine Verwendung ist nur mit ausdrücklicher Genehmigung des Erstellers Dr. Matthias Bleyl zulässig.
Datenschutzerklärung Erklärung zur Informationspflicht		Der Schutz Ihrer persönlichen Daten ist uns ein besonderes Anliegen. Wir verarbeiten Ihre Daten daher ausschließlich auf Grundlage der gesetzlichen Bestimmungen (DSGVO, TKG 2003). In diesen Datenschutzinformationen informieren wir Sie über die wichtigsten Aspekte der Datenverarbeitung im Rahmen unserer Website. Kontakt mit uns Wenn Sie per Formular auf der Website oder per E-Mail Kontakt mit uns aufnehmen, werden Ihre angegebenen Daten zwecks Bearbeitung der Anfrage und für den Fall von Anschlussfragen maximal sechs Monate bei uns gespeichert. Diese Daten geben wir nicht ohne Ihre Einwilligung weiter. Ihre Rechte Ihnen stehen grundsätzlich die Rechte auf Auskunft, Berichtigung, Löschung, Einschränkung, Datenübertragbarkeit, Widerruf und Widerspruch zu. Wenn Sie glauben, dass die Verarbeitung Ihrer Daten gegen das Datenschutzrecht verstößt oder Ihre datenschutzrechtlichen Ansprüche sonst in einer Weise verletzt worden sind, können Sie sich bei der Aufsichtsbehörde beschweren. In Österreich ist dies die Datenschutzbehörde.
Kontakt:		Sie erreichen uns unter folgenden Kontaktdaten: