Masterarbeit aus dem Jahr 2022 im Fachbereich BWL - Sonstiges, Note: 1,3, Universitt Regensburg, Sprache: Deutsch, Abstract: Welche Methoden gibt es in der Literatur, Datenqualittsdefekte in maschinellen Lernverfahren zu adressieren, wie knnen diese Methoden strukturiert werden und welche weiteren Studien sollten dahingehend unternommen werden? Im Laufe der vergangenen Jahre haben die Fortschritte im Bereich des Maschinellen Lernens einen beachtlichen Beitrag zur Weiterentwicklung von Knstlicher Intelligenz und kognitiven Systemen geleistet. Knftig wird es kaum Bereiche geben, die nicht durch Technologien basierend auf Machine Learning und KI entscheidend verbessert werden. Insbesondere die Bereiche Medizin, Industrie 4.0, Internet-of-Things, Robotik, autonomes Fahren, aber auch viele weitere Anwendungsgebiete erwarten durch Machine Learning und Knstliche Intelligenz weitreichende Transformationen. Bei Machine Learning-Verfahren werden Daten verarbeitet und verwertet, sodass wichtige Erkenntnisse generiert und erhebliche Wettbewerbsvorteile fr Unternehmen erlangt werden knnen. Um sinnvolle Erkenntnisse aus den Daten generieren zu knnen und effektive, faktenbasierte Entscheidungen zu treffen, ist eine hohe Datenqualitt essenzielle Voraussetzung. Entscheidungen und Empfehlungen knnen nur so gut sein wie die Daten, aus denen sie abgeleitet werden. Zudem mssen Machine Learning-Verfahren den aktuellen Entwicklungen aus dem Big Data Umfeld gerecht werden, deren Herausforderungen auch konventionelle Machine Learning-Verfahren nicht gengen. Datenqualitt wird in der Literatur jedoch als vielseitiges Konstrukt beschrieben und unter Zuhilfenahme verschiedener Datenqualittsdimensionen weiter untergliedert. In der vorliegenden Arbeit werden die vier in der Literatur am hufigsten untersuchten Datenqualittsdimensionen Genauigkeit (Accuracy), Vollstndigkeit (Completeness), Konsistenz (Consistency) sowie Aktualitt/ Zeitnhe (Currency bzw. Timeliness) betrachtet