Warum beginnt Data Science mit dem Problem und nicht mit dem Modell?
Warum Problem, Fragestellung und Entscheidung geklärt sein müssen, bevor Daten, Algorithmen oder Modelle ausgewählt werden.
Wissensseite lesenWISSENSBEREICH ZUM BUCH
Von Daten zu Lösungen in Data Science mit Python
Zwölf Fachfragen erschließen das Buch als Wissensbereich: vom Problem über Datenqualität, Aufbereitung und Feature Engineering bis zu Modellen, Bewertung, produktivem Betrieb und verantwortbaren Entscheidungen.
Stand: 4. November 2026 · 12 von 12 Wissensseiten redaktionell geprüft
BUCHGRUNDLAGE
Von Daten zu Lösungen in Data Science mit Python
Vom Problem zur verantwortbaren Lösung
Der Wissensbereich bündelt das Buch in vier Themenfelder und zwölf eigenständige Fragen. Im Mittelpunkt steht der vollständige Weg vom Problem über Datenqualität, reproduzierbare Aufbereitung und Feature Engineering bis zu Modellbewertung, produktivem Betrieb, Kommunikation und verantwortbarer Entscheidung.
THEMENBEREICH 1
Problem, Daten und Aufbereitung
Wie beurteilt man Datenquellen und Datenqualität in Data-Science-Projekten?
Datenherkunft, Erhebungsprozess und Qualitätsprobleme bestimmen, welche Aussagen und Entscheidungen auf einem Datensatz tragfähig sind.
Wissensseite lesenWie werden aus Rohdaten reproduzierbare ETL-Prozesse mit Python?
Wie Rohdaten nachvollziehbar bereinigt, transformiert und mit Python in reproduzierbare Datenprozesse überführt werden.
Wissensseite lesenTHEMENBEREICH 2
Features und Modellentwicklung
Wie entwickelt man aus Rohdaten fachlich sinnvolle Features?
Feature Engineering verbindet Problemverständnis, Domänenwissen und Datenanalyse zu Merkmalen mit fachlicher Bedeutung.
Wissensseite lesenWie bewertet man Feature-Qualität und vermeidet Datenleckage?
Gute Features müssen relevant, stabil und zum Vorhersagezeitpunkt verfügbar sein, ohne unzulässige Zukunftsinformationen zu enthalten.
Wissensseite lesenWie wird aus einer Fragestellung eine belastbare Machine-Learning-Aufgabe?
Von Zielvariable und Datengrundlage über Train-Test-Trennung bis zu einer Modellierungsaufgabe, die zum ursprünglichen Problem passt.
Wissensseite lesenTHEMENBEREICH 3
Modellbewertung und Entscheidung
Wie vergleicht man Baselines, Modellalternativen und Hyperparameter sinnvoll?
Baselines schaffen einen Referenzpunkt, an dem sich zusätzliche Modellkomplexität, Varianten und Hyperparameter rechtfertigen müssen.
Wissensseite lesenWie wählt man passende Metriken, Schwellenwerte und Fehlerkosten?
Accuracy, Precision, Recall, F1 und Schwellenwerte werden erst im Kontext realer Fehlerfolgen zu sinnvollen Entscheidungshilfen.
Wissensseite lesenWie bewertet man Modell-Trade-offs, Risiken und Unsicherheit?
Modellauswahl verlangt die Abwägung von Leistung, Interpretierbarkeit, Robustheit, Aufwand, Risiken und verbleibender Unsicherheit.
Wissensseite lesenTHEMENBEREICH 4
Produktive Lösungen und Kommunikation
Wie wird aus einem Notebook eine reproduzierbare Data-Science-Pipeline?
Wie Exploration in dokumentierte Experimente, reproduzierbare Pipelines und nachvollziehbar versionierte Modelle überführt wird.
Wissensseite lesenWie überwacht man Modelle, Daten-Drift und Lernen im Betrieb?
Nach dem Deployment müssen Daten, Modellqualität, Drift und reale Wirkung kontinuierlich beobachtet und für Verbesserungen genutzt werden.
Wissensseite lesenWie werden Data-Science-Ergebnisse zu verantwortbaren Entscheidungen und Empfehlungen?
Ergebnisse werden erst handlungsfähig, wenn Bedeutung, Alternativen, Risiken, Unsicherheit und Empfehlungen nachvollziehbar kommuniziert werden.
Wissensseite lesenZwölf Fachfragen statt einer Buchzusammenfassung
Jede Seite trennt Buchaussage, externe fachliche Grundlage, redaktionelle Einordnung und fachliche Grenzen. Der Wissensbereich soll nicht nur Ergebnisse präsentieren, sondern nachvollziehbar machen, wie aus einem Problem über Daten und Modelle eine begründete Entscheidung und schließlich eine tragfähige Lösung entsteht.
Vom Problem zur verantwortbaren Data-Science-Lösung
Der Cluster konzentriert sich auf Data Science als Problemlösungsarbeit: Problemverständnis, Datenherkunft und Datenqualität, ETL, Feature Engineering, Modellierung, Metriken, Trade-offs, Unsicherheit, reproduzierbare Pipelines, Monitoring und nachvollziehbare Handlungsempfehlungen.
Mathias Ellmann
Ing. Mathias Ellmann, M. Sc. arbeitet freiberuflich als IT-Sachverständiger, KI-Berater, Trainer, Autor und Dozent. Seine Arbeit verbindet technische, didaktische, ethische, unternehmerische und gesellschaftliche Fragestellungen.