Datensatz
Den Begriff Datensatz findet man, mit leicht abweichender Nutzung, unter anderem im Bereich Data Science und Datenverarbeitung, in Bezug auf Datenbanken und Tabellen. Zusammengesetzt aus “Daten” und “Satz”. Der Begriff “Satz” wird beispielsweise in Aussagen genutzt wie: “Ein Satz Reifen”. Schaut man sich die Definition im kaufmännischen Sprachgebrauch an, so lautet diese:
“Eine Anzahl sachlich zusammengehöriger, der effektiven Zahl nach aber unbestimmter Teile, die zumeist als Einheit gehandelt werden […].”[1]
Im Bereich Data Science wird der Begriff Datensatz als Definition für einer Ansammlung an zusammenhängenden Daten genutzt. Daten können in diesem Fall sehr verschieden sein, z.B. Bilder, Tabelleneinträge, Texte oder auch Tonaufnahmen. Beispielsweise enthält der MNIST (Modified National Institute of Standards and Technology)-Datensatz – eine im Bereich des maschinellen Lernens häufig als Beispiel verwendete Sammlung – 60.000 Bilder von handgeschrieben Zahlen[2].
Der Begriff “Datensatz” hat im Kontext von Tabellen und Datenbanken eine leicht andere Bedeutung. Hierbei wird “Datensatz” für zusammengehörige Datenfelder genutzt. Recherchiert man Definitionen zum Begriff “Datensatz” wird oft die Folgende verwendet bzw. zitiert:
“Inhaltlich zusammenhängende Datenfelder werden sowohl logisch als auch physisch zu adressierbaren Datensätzen zusammengefasst. Ein einfacher Datensatz für einen Artikel besteht bspw. aus Artikelnummer, Artikelname, Warengruppe und Artikelpreis.” (Mertens, Grundzüge der Wirtschaftsinformatik, 5.Auflage, 1998)
Eine andere Definition aus dem Bereich der Statistik, die auf einem sehr populären Blog[3] veröffentlicht wurde, lautet wie folgt:
“Ein Datensatz besteht aus einer Sammlung von miteinander verknüpften, aber eigenständigen Daten, die entweder einzeln oder auch gemeinsam aufgerufen und weiterverarbeitet werden können.”[4]
Betrachtet man beide Definitionen, so sind diese nicht gegensätzlich. Beide definieren eine Sammlung an zusammengehörigen Daten. Im Englischen wird “dataset” ebenfalls als Sammlung zusammenhängender Daten definiert[5]. Beispielsweise wird eine Tabelle als dataset und eine einzelne Zeile als record bezeichnet[6]. In einem englischen Machine Learning Blog wird es sogar schlicht wie folgt definiert:
“[…] a dataset contains a lot of separate pieces of data but can be used to train an algorithm with the goal of finding predictable patterns inside the whole dataset.”[7]
Bekannte Bildsammlungen wie die des MNIST, Imagenet oder CIFAR (Canadian Institute For Advanced Research) werden im Englischen immer als “dataset” bezeichnet. Man spricht von “datasets”, wenn mehrere verschiedene Sammlung gemeint sind. Beispielsweise werden in der Machine Learning Bibliothek Tensorflow die einzelnen oben genannten Sammlungen als “datasets” bezeichnet[8].
Unsere Definition des Begriffs Datensatz im Kontext von Data Science/KI:
“Ein Datensatz ist eine Sammlung von zusammengehörigen, oft ähnlichen Daten.”
Quellen
[1] https://wirtschaftslexikon.gabler.de/definition/satz-42323
[2] http://yann.lecun.com/exdb/mnist/
[3] https://whatis.techtarget.com/de/ueber
[4] https://whatis.techtarget.com/de/definition/Datensatz#:~:text=Ein%20Datensatz%20besteht%20aus%20einer,in%20einer%20bestimmten%20Datenstruktur%20organisiert.
[5] https://whatis.techtarget.com/definition/data-set
[6] https://www.ibm.com/docs/en/zos-basic-skills?topic=more-what-is-data-set
[7] https://labelyourdata.com/articles/what-is-dataset-in-machine-learning
[8] https://www.tensorflow.org/datasets