Fachbegriffs-Inventar und Glossar-Migrationsvorschlag

Zweck: Vollständige Erfassung aller Fachbegriffe im Manuskript, Prüfung des aktuellen Glossars auf Vollständigkeit, Identifikation von Inline-Erklärungen im Fließtext, die als Kandidaten für eine Migration ins Glossar in Frage kommen. Kein Manuskript-/Glossar-Edit — nur Analyse.

Datenbasis: chapters/{01_Einleitung,02_Grundlagen,03_Funktionsprinzipien,04_Ensembleverfahren,05_Anwendung,06_Zusammenfassung}.tex + Kurzfassung.tex + Glossar.tex.

Aktueller Glossar-Stand: 24 Einträge (14 Abkürzungen, 10 Fachbegriffe). Bereits \glossar{}-verlinkt im Fließtext: 9 Stellen ausschließlich in 02_Grundlagen.tex (Historische Verortung + Zeitstrahl-Beschreibung). Alle anderen Kapitel und alle weiteren Vorkommen sind noch unverlinkt.

1. Übersichtstabelle

Spalten: Begriff · Glossar? (Slug oder —) · Vorkommen (grob) · Verteilung (Kurzfassung=K, Kapitel 01–06) · Kategorie (Kern / Kontext / Rand) · Empfehlung

1.1 Abkürzungen (Glossar-Sektion 1)

Begriff	Glossar?	Vork.	Verteilung	Kategorie	Empfehlung
CART	cart	21	K, 2, 3, 5, 6	Kern	Verlinkung an weiteren Erst-Vork. (Kap. 3 Split-Rahmen, Kap. 6 Zsf.)
ID3	id3	15	K, 2, 3, 6	Kern	Verlinkung Kap. 3 (mehrfach), Kap. 6
C4.5	c45	11	K, 2, 3, 6	Kern	Verlinkung Kap. 3 (Gain Ratio, Post-Pruning)
IG (Information Gain)	ig	18	K, 1, 2, 3, 6	Kern	Verlinkung Kap. 3 (§3.6 Vergleich), Kap. 6
Gini (Gini-Index)	gini	36	K, 1, 2, 3, 6	Kern	Verlinkung an Kap. 3 (§3.3, §3.4, §3.6), Kap. 6
Entropie	entropie	10	2, 3	Kern	Verlinkung Kap. 3 (Shannon-Entropie §3.5)
MSE	mse	1	2	Kontext	passt so; ggf. bei Regressionsbäumen Kap. 3 nochmal linken? (nicht dringend)
SMOTE	smote	3	5	Kontext	Verlinkung an Erst-Nennung Kap. 5 §5.3
KS-Test	ks	1	5	Kontext	Verlinkung Kap. 5 §5.3
LVD	lvd	4	5	Kontext	Verlinkung Kap. 5 §5.1 (Erst-Nennung, aktuell nur Klammer-Def)
VSR	vsr	3	5	Kontext	Verlinkung Kap. 5 §5.1
TP	tp	3	5	Kontext	Verlinkung Kap. 5 §5.4
FP	fp	3	5	Kontext	Verlinkung Kap. 5 §5.4
ECUR	ecur	4	5	Kontext	Verlinkung Kap. 5 §5.4
CPR	cpr	4	5	Kontext	Verlinkung Kap. 5 §5.4
$F_{1}$ -Score	f1	1	5	Kontext	Verlinkung Kap. 5 §5.4 (Klammer-Def kann entfallen)

1.2 Fachbegriffe (Glossar-Sektion 2)

Begriff	Glossar?	Vork.	Verteilung	Kategorie	Empfehlung
Bagging	bagging	16	K, 1, 2, 4, 6	Kern	Verlinkung an Erst-Vork. Kap. 4 §4.2, Kap. 6
Random Forest	random-forest	24	1, 2, 3, 4, 5, 6	Kern	Verlinkung Kap. 4 §4.3, Kap. 5 (mehrfach), Kap. 6
Bootstrap-Stichprobe	bootstrap	~5 direkt	4, 6, K	Kern	Verlinkung Kap. 4 §4.2 (Definition dort kann stark gekürzt werden)
Impurität	impuritaet	17	3, 6	Kern	Verlinkung Kap. 3 §3.2 (Inline-Def entbehrlich, s. §3.2)
Gini-Index	gini	s.o.		Kern	s.o.
Entropie	entropie	s.o.		Kern	s.o.
Out-of-Bag (OOB)	oob	4	2, 4	Kontext	Verlinkung Kap. 4 §4.3 (aktuell Inline-Def)
Permutation Importance	permutation-importance	4	2, 4, 6	Kontext	Verlinkung Kap. 4 §4.3, §4.4
Wear-Merkmale	wear	8	5	Kontext	Verlinkung Kap. 5 §5.4 (aktuell noch textual erklärt)
Usage-Merkmale	usage	10	5	Kontext	Verlinkung Kap. 5 §5.4

1.3 Fachbegriffe im Manuskript OHNE Glossar-Eintrag

Begriff	Vork.	Verteilung	Kategorie	Empfehlung
Überanpassung / Overfitting	11	K, 1, 2, 3	Kern	Glossar-Eintrag NEU + Verlinkung an Erst-Vork.
Ensemble / Ensembleverfahren	22	1, 2, 3, 4, 6	Kern	Glossar-Eintrag NEU (kurze Def: mehrere Modelle → aggregierte Vorhersage)
Rekursive Partitionierung	3	3	Kern	Glossar-Eintrag NEU (Kernbegriff §3.1)
Split / Split-Kriterium	20	K, 1, 2, 3, 6	Kern	Glossar-Eintrag NEU (Split-Kriterium bzw. Split-Auswahl)
Merkmalsraum	5	3, 6	Kern	ggf. Glossar-Eintrag (kurz: Raum der Merkmalskombinationen)
Klassifikationsbaum / Regressionsbaum	~8	K, 1, 2, 3, 6	Kern	Glossar-Einträge (Baum-Varianten für Klassifikation/Regression)
Kreuzvalidierung	2	3, 5	Kontext	Glossar-Eintrag NEU (aktuell mit Klammer-Def in §3.7)
Post-Pruning	5	K, 3	Kern	Glossar-Eintrag NEU
Pre-Pruning	2	3	Kontext	Glossar-Eintrag NEU
Cost-Complexity-Pruning	1	2	Rand	Glossar-Eintrag optional (nur ein Vorkommen; könnte auch inline bleiben)
Pessimistic Error Pruning	1 (impliziert)	2, 3	Rand	Glossar optional; wird in Kap. 3 §3.7 als „obere Konfidenzgrenze” umschrieben
Gain Ratio	2	2, 3	Kontext	Glossar-Eintrag NEU (in Kap. 3 §3.5.2 kurz definiert)
Instabilität (von Bäumen)	7	1, 2, 4, 6	Kern	Glossar-Eintrag NEU (zentraler Motivator für Ensembles)
Dekorrelation	2	4, 6	Kontext	Glossar-Eintrag NEU (Motivation Random Forests)
Merkmalsauswahl	11	2, 4, 5, 6, K	Kern	Glossar-Eintrag NEU + Untervarianten Filter/Wrapper
Wrapper-Verfahren	1	5	Kontext	Glossar-Eintrag NEU (zusammen mit Filter)
Filter-Verfahren	1	5	Kontext	Glossar-Eintrag NEU
Beam-Search	9	5	Kontext	Glossar-Eintrag NEU (in Kap. 5 §5.3 inline erklärt)
Merkmalswichtigkeit	4	2, 4	Kontext	Glossar-Eintrag NEU (bzw. Verweis auf Permutation Importance)
Predictive Maintenance	7	K, 1, 2, 3, 5, 6	Kern	Glossar-Eintrag NEU + Verlinkung an mehreren Erst-Vork.
Restnutzungsdauer (RUL) / Restlebensdauer	~4	2, 5	Kontext	Glossar-Eintrag NEU (Vorsicht: Kap. 2 nutzt „Restlebensdauer”, Kap. 5 „Restnutzungsdauer” → Inkonsistenz, s. Abschnitt 4)
Precision	2	5	Kontext	Glossar-Eintrag NEU
Recall	1	5	Kontext	Glossar-Eintrag NEU
Accuracy	2	5	Kontext	Glossar-Eintrag NEU
Mehrheitsvotum / Majority Vote	1	4	Rand	Glossar-Eintrag optional
Achsenparallele Splits	1 (impliziert 2)	6, 3	Kontext	Glossar-Eintrag optional (in Kap. 6 §6.2 einmalige Erwähnung mit Erklärung)
Kachelung des Merkmalsraums	3	3	Kontext	Glossar-Eintrag optional (didaktische Metapher)
Label / Beschriftung / Zielwert	1 (explizit)	2	Rand	im Text erklärt, kein Glossar nötig; Standardbegriff
Bootstrap Aggregating (ausgeschr.)	1	4	Kontext	bereits als Auflösung im Glossar-Eintrag `bagging` — nicht separat
Impuritätsfunktion / Impurity-Rahmen	3	3	Kontext	Nicht separat — durch `impuritaet` mitabgedeckt

1.4 Standard-Vokabular (bewusst NICHT ins Glossar)

Wird im Text erklärt oder ist ML-Standard; keine Verlinkung nötig:

Datenpunkt · Merkmal · Klasse · Kategorie · Modell · Trainingsdaten / Testdaten · überwachtes / unüberwachtes Lernen · Wurzelknoten / innerer Knoten / Blatt · Kante · Schwellwert · Traversierung · Kandidatensplit · Vorhersagegüte · Interpretierbarkeit · Zielkonflikt · Klassenverteilung · Klassifikator · Ausfallalarm

Begründung: Diese Begriffe werden in Kap. 2 §2.1 und §2.2 an der Ersteinführung ausreichend erklärt und sind für die Zielgruppe der Arbeit Grundwortschatz. Eine Glossar-Verlinkung würde die Textdichte unnötig erhöhen.

2. Vorschlag: Neue Glossar-Einträge (Phase 1)

Priorisiert nach Kategorie. Kern zuerst.

Kern-Ergänzungen (unbedingt):

\abbreviation{\hypertarget{glossar:ueberanpassung}{Überanpassung}}{%
  Englisch \emph{Overfitting}; ein Modell reproduziert Besonderheiten der
  Trainingsstichprobe statt der zugrunde liegenden Muster und liefert dadurch
  auf neuen Daten schlechtere Vorhersagen als ein bewusst vereinfachtes Modell.}
 
\abbreviation{\hypertarget{glossar:ensemble}{Ensembleverfahren}}{%
  Kombinationsverfahren, das mehrere Basismodelle unabhängig trainiert und
  ihre Vorhersagen zu einer gemeinsamen Ausgabe aggregiert (Mehrheitsvotum
  bei Klassifikation, Mittelwert bei Regression).}
 
\abbreviation{\hypertarget{glossar:rekursive-partitionierung}{Rekursive Partitionierung}}{%
  Gemeinsames algorithmisches Schema von ID3, CART und ihren Nachfolgern:
  Trainingsmenge wird an jedem Knoten anhand eines Merkmals zerlegt; auf
  jede Teilmenge wird dasselbe Verfahren rekursiv angewendet, bis ein
  Abbruchkriterium greift.}
 
\abbreviation{\hypertarget{glossar:split-kriterium}{Split-Kriterium}}{%
  Bewertungsfunktion für die Auswahl einer Aufteilung an einem Knoten;
  z.\,B.\ Gini-Index (CART) oder Information Gain (ID3, C4.5).}
 
\abbreviation{\hypertarget{glossar:instabilitaet}{Instabilität}}{%
  Eigenschaft einzelner Entscheidungsbäume, bei kleinen Änderungen der
  Trainingsdaten deutlich abweichende Baumstrukturen und Vorhersagen zu
  erzeugen; zentraler Beweggrund für Ensembleverfahren (Breiman 1996).}
 
\abbreviation{\hypertarget{glossar:pm}{Predictive Maintenance}}{%
  Zustandsorientierte Instandhaltung; Vorhersage bevorstehender Ausfälle
  aus Betriebsdaten mit dem Ziel, ungeplante Ausfallzeiten zu vermeiden.}
 
\abbreviation{\hypertarget{glossar:regressionsbaum}{Regressionsbaum}}{%
  Entscheidungsbaum für Regressionsaufgaben; Blätter enthalten den
  Mittelwert der Zielwerte der zugeordneten Datenpunkte, Impurität wird
  über die Summe quadrierter Abweichungen gemessen (CART).}
 
\abbreviation{\hypertarget{glossar:klassifikationsbaum}{Klassifikationsbaum}}{%
  Entscheidungsbaum für Klassifikationsaufgaben; Blätter enthalten die
  Mehrheitsklasse der zugeordneten Datenpunkte.}

Kontext-Ergänzungen (empfohlen):

\abbreviation{\hypertarget{glossar:post-pruning}{Post-Pruning}}{%
  Nachträgliche Vereinfachung eines vollständig aufgebauten
  Entscheidungsbaums zur Vermeidung von Überanpassung; in CART über
  Cost-Complexity-Pruning mit Kreuzvalidierung, in C4.5 über Pessimistic
  Error Pruning.}
 
\abbreviation{\hypertarget{glossar:pre-pruning}{Pre-Pruning}}{%
  Frühzeitiger Abbruch der Baumkonstruktion, sobald eine Split-Bewertung
  einen Schwellwert unterschreitet; in CART und C4.5 gegenüber Post-Pruning
  verworfen.}
 
\abbreviation{\hypertarget{glossar:kreuzvalidierung}{Kreuzvalidierung}}{%
  Mehrfache Aufteilung der Trainingsmenge in Teilmengen, wobei jede
  Teilmenge einmal als Testmenge und die verbleibenden als Trainingsmenge
  dienen; ersetzt einen separaten Validierungsdatensatz.}
 
\abbreviation{\hypertarget{glossar:dekorrelation}{Dekorrelation}}{%
  Verringerung der paarweisen Korrelation zwischen den Bäumen eines
  Random Forest durch zufällige Merkmalsauswahl an jedem Split; senkt
  den Ensemblefehler auch bei leicht schwächeren Einzelbäumen.}
 
\abbreviation{\hypertarget{glossar:merkmalsauswahl}{Merkmalsauswahl}}{%
  Reduktion der genutzten Eingabemerkmale auf eine informativere Teilmenge;
  Filter-Verfahren bewerten Merkmale unabhängig vom Modell, Wrapper-Verfahren
  bewerten sie über die Vorhersagegüte eines Basismodells.}
 
\abbreviation{\hypertarget{glossar:beam-search}{Beam-Search}}{%
  Heuristische Suche, bei der pro Iteration nur die $k$ besten Kandidaten
  weiterverfolgt werden; in der Fallstudie als Wrapper-Verfahren zur
  Merkmalsauswahl eingesetzt.}
 
\abbreviation{\hypertarget{glossar:rul}{Restnutzungsdauer (RUL)}}{%
  Remaining Useful Life; verbleibende Nutzungsdauer eines Bauteils, häufig
  in Zeiteinheiten oder Betriebsstunden; Zielgröße von Predictive-Maintenance-Verfahren.}
 
\abbreviation{\hypertarget{glossar:gain-ratio}{Gain Ratio}}{%
  Normierung des Information Gain auf die Verzweigungsstruktur des Merkmals;
  in C4.5 gegen die Bevorzugung von Merkmalen mit vielen Ausprägungen
  eingeführt (Quinlan 1986/1993).}
 
\abbreviation{\hypertarget{glossar:precision}{Precision}}{%
  Anteil der tatsächlich positiven Datenpunkte unter allen als positiv
  klassifizierten (Kap.~\ref{ch:anwendung}).}
 
\abbreviation{\hypertarget{glossar:recall}{Recall}}{%
  Anteil der korrekt erkannten positiven Datenpunkte unter allen
  tatsächlich positiven; auch Sensitivität.}
 
\abbreviation{\hypertarget{glossar:accuracy}{Accuracy}}{%
  Anteil aller korrekt klassifizierten Datenpunkte; bei stark unbalancierten
  Klassen nur eingeschränkt aussagekräftig.}
 
\abbreviation{\hypertarget{glossar:merkmalswichtigkeit}{Merkmalswichtigkeit}}{%
  Maß dafür, wie stark ein Merkmal zur Vorhersageleistung eines Modells
  beiträgt; im Random Forest über die Permutation Importance quantifiziert.}

Rand (optional — kann auch weggelassen werden):

Cost-Complexity-Pruning (nur 1× erwähnt)
Pessimistic Error Pruning (nur umschrieben)
Mehrheitsvotum
Achsenparallele Splits
Kachelung des Merkmalsraums

3. Inline-Erklärungen zur Migration

Priorisiert nach Lesbarkeits-Gewinn. Alle Zeilenangaben beziehen sich auf die aktuellen Dateien in chapters/.

3.1 Hoher Gewinn (Kernstellen mit Klammerdefinitionen)

M1 — 05_Anwendung.tex L157–163: Accuracy/Precision/Recall/F1-Definitionen

Aktueller Text (~7 Zeilen):

„Die \textit{Accuracy} bezeichnet den Anteil aller korrekt klassifizierten Datenpunkte, die \textit{Precision} den Anteil der tatsächlichen Ausfälle unter allen als Ausfall vorhergesagten Fällen, und der $F_{1}$ -\textit{Score} das harmonische Mittel aus Precision und Recall (Anteil der korrekt erkannten unter allen tatsächlichen Ausfällen).”

Vorschlag: Definitionen ins Glossar (neue Einträge accuracy/precision/recall), Fließtext auf 1–2 Zeilen reduzieren:

„Zur Beurteilung der Vorhersagegüte stehen zunächst die klassischen Kennzahlen \glossar{accuracy}{Accuracy}, \glossar{precision}{Precision}, \glossar{recall}{Recall} und der \glossar{f1}{ $F_{1}$ -Score} zur Verfügung.”

Gewinn: -5 Zeilen im Argumentationsfluss; Definitionen sind an einer Stelle nachschlagbar und werden nicht in mehreren Kapiteln redundant erklärt.

M2 — 05_Anwendung.tex L167–181: ECUR/CPR/TP/FP-Klammern

Aktueller Text: Vier Klammer-Definitionen im Formelabschnitt:

„Sei $EC U R$ (\textit{Excess Cost of Unplanned Repair}) die Mehrkosten einer ungeplanten gegenüber einer geplanten Reparatur, $CPR$ (\textit{Cost of Planned Repair}) die Kosten einer geplanten Reparatur… mit $TP$ (\textit{True Positive}) als Anzahl korrekt vorhergesagter Ausfälle und $FP$ (\textit{False Positive}) als Anzahl fehlerhafter Ausfallalarme.”

Vorschlag: Da alle vier bereits im Glossar stehen: Ausschreibungen und Klammer-Definitionen entfernen, nur Verlinkung setzen; einmalige Prosa-Ergänzung für die ökonomische Interpretation reicht:

„Sei $\glossar ec u r EC U R$ der Mehraufwand einer ungeplanten gegenüber einer geplanten Reparatur, $\glossar c p r CPR$ die Kosten einer geplanten Reparatur und $Investment$ die Fixkosten…”

Gewinn: Formelabschnitt wird schlanker, Definitionen bleiben zentral zugänglich.

M3 — 04_Ensembleverfahren.tex L31–36 + L160–166: Bagging + Out-of-Bag

Zwei Inline-Definitionen, deren Kern bereits im Glossar steht:

„Bagging (\textit{Bootstrap Aggregating}) ist … Das Verfahren zieht aus der Trainingsmenge wiederholt Zufallsstichproben mit Zurücklegen, sogenannte \textit{Bootstrap-Stichproben}, deren Größe der Original-Trainingsmenge entspricht.”

und Out-of-Bag:

„Für jeden Baum verbleibt ungefähr ein Drittel der Trainingsdatenpunkte außerhalb seiner Bootstrap-Stichprobe. Diese \textit{Out-of-Bag}-Datenpunkte können…”

Vorschlag: Zweite (technisch-erläuternde) Formulierung stark kürzen, da Definition im Glossar liegt; Verlinkung an Erst-Vorkommen setzen:

„\glossar{bagging}{Bagging} ist das erste systematische Ensembleverfahren für Bäume und wurde 1996 von Breiman eingeführt~\beleg{Bre96 Kap. 1}. Für jede \glossar{bootstrap}{Bootstrap-Stichprobe} wird ein separater Entscheidungsbaum aufgebaut…”

Fußnote L162–166 (mathematische Herleitung des OOB-Anteils $1/ e$ ) im Text belassen — das ist Argumentationssubstanz, keine Definition.

Gewinn: -2 bis -3 Zeilen; die Klammer-Übersetzung „Bootstrap Aggregating” lebt sowieso im Glossar-Eintrag bagging.

M4 — 03_Funktionsprinzipien.tex L107–114: Impurität-Definition

Aktueller Text:

„Als \textit{Impuritätsfunktion} $i (t)$ bezeichnet man dabei ein Maß für die Unreinheit einer Klassenverteilung an einem Knoten $t$ ; die konkrete Wahl von $i (t)$ ist der zentrale Unterschied zwischen den einzelnen Split-Kriterien…”

Kern-Definition steht bereits im Glossar (impuritaet). Vorschlag: Erst-Nennung ist an dieser Stelle ohnehin nötig (Formalsymbol $i (t)$ einführen), also Definition-Textteil kürzen, Verlinkung setzen:

„Als \glossar{impuritaet}{Impuritätsfunktion} $i (t)$ wird an dieser Stelle die konkrete Wahl der Bewertungsfunktion bezeichnet; sie ist der zentrale Unterschied zwischen den Split-Kriterien…”

M5 — 03_Funktionsprinzipien.tex L473–477: Kreuzvalidierung-Klammer

Aktueller Text:

„…die passende Größe unter den gestutzten Teilbäumen wird — insbesondere bei kleinen Stichproben — über Kreuzvalidierung bestimmt (mehrfache Aufteilung der Trainingsmenge in Teilmengen, wobei jede Teilmenge einmal als Testmenge und die verbleibenden als Trainingsmenge dienen)”

Vorschlag: neuen Glossar-Eintrag kreuzvalidierung anlegen, Klammer entfernen:

„…wird — insbesondere bei kleinen Stichproben — über \glossar{kreuzvalidierung}{Kreuzvalidierung} bestimmt~\beleg{BFOS84 Kap. 3.2}.“

3.2 Mittlerer Gewinn

M6 — 02_Grundlagen.tex L42–47: Überanpassung/Overfitting

Aktueller Text (5 Zeilen):

„Diese Trennung dient insbesondere der Erkennung von \textit{Überanpassung} (englisch \textit{Overfitting}): Ein Modell, das die Trainingsdaten sehr genau reproduziert, kann auf neuen Daten dennoch schlechte Vorhersagen liefern, wenn die Maschine dabei Besonderheiten der Trainingsstichprobe statt der zugrunde liegenden Muster erfasst hat.”

Vorschlag: Glossar-Eintrag ueberanpassung anlegen, Text auf 1–2 Sätze kürzen (die Motivation für die Testdaten-Trennung ist eigenständig, aber die Definition kann rausfallen):

„Diese Trennung dient insbesondere der Erkennung von \glossar{ueberanpassung}{Überanpassung}: Erst die Testdaten machen sichtbar, wenn das Modell nicht die zugrunde liegenden Muster, sondern Besonderheiten der Stichprobe erfasst hat.”

M7 — 04_Ensembleverfahren.tex L44: Mehrheitsvotum

„…wird über alle Bäume ein Mehrheitsvotum gebildet (die häufigste Klasse wird ausgewählt)…”

Klammer entfernen, Begriff steht für sich; optional Glossar-Eintrag.

M8 — 02_Grundlagen.tex L131–132: Predictive Maintenance

„…werden zwei Beispiele aus dem Bereich der zustandsorientierten Instandhaltung (\textit{Predictive Maintenance}) betrachtet.”

Vorschlag: Glossar-Eintrag pm anlegen; im Text nur noch Verlinkung:

„…werden zwei Beispiele aus dem Bereich der \glossar{pm}{Predictive Maintenance} betrachtet.”

M9 — 05_Anwendung.tex L33–38: LVD/VSR-Klammern

Bereits im Glossar, aber im Text noch Definition + englische Übersetzung. Vorschlag: eine der beiden Erklärungen (Text oder Glossar) reicht; da die Glossar-Einträge kurz und präzise sind, im Fließtext auf Verlinkung reduzieren:

„Die Autoren kombinieren zwei Datenquellen: die \glossar{lvd}{Logged Vehicle Data (LVD)} und die \glossar{vsr}{Vehicle Service Records (VSR)}~\beleg{PNRB15 Kap. 2}.”

M10 — 05_Anwendung.tex L111–120: SMOTE-Definition

Textabschnitt beschreibt SMOTE inline über 9 Zeilen. Glossar hat bereits Kurz-Definition. Vorschlag: Absatz kürzen um die Wiederholung „Aus den vorhandenen Ausfall-Beispielen werden durch Interpolation zwischen einem Datenpunkt und seinen $k$ nächsten Nachbarn zusätzliche synthetische Ausfall-Beispiele erzeugt” — die Verfahrensbeschreibung dort ist präziser als im Glossar-Eintrag. Alternativ: Glossar-Eintrag verlängern, Fließtext-Beschreibung löschen.

Empfehlung: hier den Glossar-Eintrag anreichern (SMOTE-Mechanik als Kurzsatz), Fließtext auf Motivation kürzen.

M11 — 05_Anwendung.tex L96–104: Beam-Search + Wrapper-Verfahren

Beam-Search-Definition inline (7 Zeilen). Glossar-Eintrag empfohlen; Fließtext kann die Anwendung im PNRB15-Setting behalten (Schrumpffaktor, Merkmalsmengen), nur die Grundmechanik ins Glossar auslagern.

3.3 Geringer Gewinn (Klammerbemerkungen)

02_Grundlagen.tex L204: „CART steht für \textit{Classification And Regression Trees}” — kann bleiben oder gekürzt werden; Glossar-Eintrag cart hat die Auflösung.
02_Grundlagen.tex L25: „(auch als \textit{Label} oder Beschriftung bezeichnet)” — Standard-ML-Vokabular; im Text belassen.
03_Funktionsprinzipien.tex L326–338: Gain Ratio wird als eigener Absatz erklärt. Da Gain Ratio in der Arbeit nur zweimal auftritt, kann der Absatz stehen bleiben, ggf. mit Glossar-Verlinkung an Erst-Vork.

4. Sonderfälle / Diskussionspunkte

4.1 Inkonsistente Begriffsnutzung

Restlebensdauer (Kap. 2) vs. Restnutzungsdauer (Kap. 5):

02_Grundlagen.tex L170, 189, 192, 194: „Restlebensdauer”
05_Anwendung.tex L53, 67, 277: „Restnutzungsdauer” ( $X_{t}$ )

Empfehlung: Einheitlich „Restnutzungsdauer” (Standardübersetzung von RUL, Kap. 5 folgt PNRB15). Kap. 2 hat es didaktisch (Regressionsbeispiel), sollte aber terminologisch mit Kap. 5 übereinstimmen. Glossar-Eintrag rul anlegen, Kap. 2 anpassen.

Ensemble vs. Ensembleverfahren: Beide Formen im Text; im Glossar-Vorschlag als „Ensembleverfahren” führen, im Text beide Formen akzeptabel.

„Mehrheit / Mittel” in Abb. 4.1 vs. „Mehrheitsvotum / Mittelwert” im Fließtext: kosmetisch, keine Aktion nötig.

4.2 Doppelte Erklärungen

Overfitting/Überanpassung wird in 01_Einleitung nicht erwähnt, aber in 02_Grundlagen §2.1 (mit Klammer-Übersetzung) und dann in 03_Funktionsprinzipien §3.1, §3.7 mehrfach nur genutzt. Erklärung liegt an Ersteinführung richtig; Klammer-Übersetzung sollte nach Migration ins Glossar entfallen.

Bootstrap-Stichprobe wird sowohl in 04_Ensembleverfahren §4.2 als auch in der Glossar-Definition ähnlich formuliert. Nach Migration: Fließtext-Definition entfernen.

Kreuzvalidierung wird in Kap. 3 §3.7 mit Klammer erklärt, in Kap. 5 §5.2 nur genannt („zehnfacher Kreuzvalidierung”). Nach Glossar-Eintrag: an Erst-Nennung Kap. 3 verlinken, Klammer weg.

4.3 Begriffe, die Text-Definition BRAUCHEN (nicht nur Glossar)

Manche Begriffe brauchen die Erklärung im Argumentationskontext, weil sie dort motiviert werden. Beispiele:

Rekursive Partitionierung (Kap. 3 §3.1): Definition ist gleichzeitig Kapitelinhalt. Glossar sinnvoll als Nachschlagemöglichkeit, aber der Fließtext bleibt vollständig.
Impuritätsbasierter Split-Rahmen (Kap. 3 §3.2): Die Formalisierung ist der Kapitelinhalt; hier keine Migration.
Achsenparallele Splits (Kap. 6 §6.2): Argument für Grenzen der Methode; muss im Kontext erklärt bleiben.
Instabilität einzelner Bäume (Kap. 4 §4.1): Kapitelmotivation.

Regel: Wo ein Begriff die Überschrift eines Abschnitts/Unterabschnitts ist, gehört die Definition zwingend in den Fließtext; das Glossar hält die kompakte Referenz für alle weiteren Vorkommen.

4.4 Bewusste Nicht-Glossar-Begriffe

Alexander möchte Standard-Vokabular nicht verlinken. Konsequente Ausschlüsse: Datenpunkt, Merkmal, Klasse, Modell, Trainingsdaten, Testdaten, Wurzelknoten, innerer Knoten, Blatt, Kante, Schwellwert, Traversierung, Kandidatensplit, Vorhersagegüte, Klassifikator. Diese werden in Kap. 2 einmalig eingeführt und sind ansonsten Grundwortschatz.

5. Umsetzungsplan (drei Phasen)

Phase 1 — Glossar ergänzen (leicht, 30–45 min)

Neue Einträge in Glossar.tex (Reihenfolge alphabetisch pro Sektion):

Kern (8 Einträge): ueberanpassung, ensemble, rekursive-partitionierung, split-kriterium, instabilitaet, pm (Predictive Maintenance), regressionsbaum, klassifikationsbaum
Kontext (12 Einträge): post-pruning, pre-pruning, kreuzvalidierung, dekorrelation, merkmalsauswahl, beam-search, rul, gain-ratio, precision, recall, accuracy, merkmalswichtigkeit
Optional (5 Einträge): cost-complexity-pruning, mehrheitsvotum, achsenparallele-splits, kachelung, wrapper + filter (können als kombinierter Eintrag zu merkmalsauswahl zählen)

Aufwand: leicht. Neue \abbreviation{...\hypertarget{...}}{...}-Blöcke in gleicher Struktur.

Phase 2 — Inline-Erklärungen entfernen/kürzen (mittel, 60–90 min)

Migration-Kandidaten M1–M11 abarbeiten. Pro Migration: Fließtext-Definition löschen/kürzen, \glossar{} einsetzen, Konsistenz-Check auf umliegende Sätze (Grammatik).

Aufwand: mittel. Fließtextänderung braucht Sorgfalt, damit die Argumentationsstruktur nicht bricht. Empfehlung: iterativ pro Kapitel, mit Alex-Freigabe pro Kapitel.

Phase 3 — Vollständige `\glossar{}`-Verlinkung (mittel bis aufwendig, 90–120 min)

Alle Vorkommen jedes Glossar-Begriffs mit \glossar{slug}{Anzeigetext} umschließen. Achtung:

Konsistenz bei flektierten Formen: \glossar{random-forest}{Random Forests} vs. Random Forest — Anzeigetext folgt Grammatik.
Keine Doppel-Verlinkung im gleichen Absatz (Lesbarkeit); Faustregel: einmal pro Abschnitt reicht, nicht bei jedem einzelnen Vorkommen.
Vorsicht bei Verlinkung in Bildunterschriften, TikZ-Nodes (dort besser weglassen, da hyperref-Konflikte).

Aufwand: mittel bis aufwendig — hier lohnt sich eine Regel: nur erste Nennung pro Abschnitt verlinken (nicht jede Nennung), das reduziert den Aufwand deutlich und hält den Text lesbar.

6. Bericht

Fachbegriff-Inventar: 55+ identifizierte Fachbegriffe, davon 24 Kern- (in mehreren Kapiteln zentral), ~20 Kontext- (nur in einem Kapitel/Abschnitt tragend), ~10 Randbegriffe (Einzelvorkommen).

Glossar-Lücken: Der aktuelle Glossar deckt 24 Einträge ab und liegt bei etwa 45 % Coverage der Kern-/Kontextbegriffe. Fehlend sind vor allem: Überanpassung, Ensembleverfahren, Rekursive Partitionierung, Split-Kriterium, Instabilität, Predictive Maintenance, Regressions-/Klassifikationsbaum, Kreuzvalidierung, Pre-/Post-Pruning, Merkmalsauswahl, Beam-Search, Wrapper/Filter, Precision/Recall/Accuracy, Merkmalswichtigkeit, Dekorrelation, RUL. Priorität zum Ergänzen: 20 Einträge (8 Kern + 12 Kontext).

Verlinkungsstand: Aktuell nur 9 \glossar{}-Aufrufe, alle in Kap. 2. Ziel-Größenordnung nach Migration: ca. 60–80 verlinkte Erstnennungen pro Abschnitt über alle Kapitel.

Migrations-Kandidaten: 11 Inline-Erklärungen (M1–M11) sind lohnende Migrationskandidaten, 3 davon mit hohem Lesbarkeits-Gewinn:

M1 (Kap. 5 §5.4, L157–163): Accuracy/Precision/Recall/F1-Definitionen — dichteste Stelle, größter Gewinn.
M2 (Kap. 5 §5.4, L167–181): ECUR/CPR/TP/FP-Klammern in Formelblock — schlankere Formel-Ableitung.
M3 (Kap. 4 §4.2, L31–36 + §4.3, L160–166): Bagging + Out-of-Bag — Definitionen verdoppeln den Glossar-Inhalt.
M6 (Kap. 2 §2.1, L42–47): Überanpassung/Overfitting-Definition — Klammer und Prosa-Doppel-Erklärung, kann auf einen Satz eingedampft werden.
M9 (Kap. 5 §5.1, L33–38): LVD/VSR-Ausschreibungen — Fließtext liest sich flüssiger, wenn nur die Verlinkung steht.

Inkonsistenz: „Restlebensdauer” (Kap. 2) vs. „Restnutzungsdauer” (Kap. 5) sollte über den geplanten rul-Glossar-Eintrag vereinheitlicht werden.

Vorgehens-Empfehlung: Iterativ pro Kapitel mit Nutzer-Diskussion, nicht all-in-one durch Agent. Begründung: Phase 2 (Inline-Erklärungen kürzen) verändert Argumentationssubstanz — nur Alex kann pro Absatz entscheiden, ob die Kürzung den Lesefluss verbessert oder didaktisches Gewicht kostet. Phase 1 (Glossar ergänzen) und Phase 3 (Verlinkung an weiteren Vorkommen) sind mechanischer und können jeweils als Batch pro Kapitel autonom laufen.

Konkreter Vorschlag:

Phase 1 in einem Zug (30–45 min, wenig Diskussionsbedarf).
Phase 2 kapitelweise: Kap. 5 zuerst (größter Gewinn), dann Kap. 4, dann Kap. 2, dann Kap. 3 — pro Kapitel Alex-Freigabe.
Phase 3 kapitelweise parallel zu Phase 2 möglich; Faustregel „nur Erst-Nennung pro Abschnitt verlinken” spart ~50 % Aufwand.

studium-vault — Master-Arbeiten Informatik

Bereiche

Fachbegriffs-Inventar Zulassungsarbeit

Fachbegriffs-Inventar und Glossar-Migrationsvorschlag

1. Übersichtstabelle

1.1 Abkürzungen (Glossar-Sektion 1)

1.2 Fachbegriffe (Glossar-Sektion 2)

1.3 Fachbegriffe im Manuskript OHNE Glossar-Eintrag

1.4 Standard-Vokabular (bewusst NICHT ins Glossar)

2. Vorschlag: Neue Glossar-Einträge (Phase 1)

3. Inline-Erklärungen zur Migration

3.1 Hoher Gewinn (Kernstellen mit Klammerdefinitionen)

3.2 Mittlerer Gewinn

3.3 Geringer Gewinn (Klammerbemerkungen)

4. Sonderfälle / Diskussionspunkte

4.1 Inkonsistente Begriffsnutzung

4.2 Doppelte Erklärungen

4.3 Begriffe, die Text-Definition BRAUCHEN (nicht nur Glossar)

4.4 Bewusste Nicht-Glossar-Begriffe

5. Umsetzungsplan (drei Phasen)

Phase 1 — Glossar ergänzen (leicht, 30–45 min)

Phase 2 — Inline-Erklärungen entfernen/kürzen (mittel, 60–90 min)

Phase 3 — Vollständige `\glossar{}`-Verlinkung (mittel bis aufwendig, 90–120 min)

6. Bericht

Graphansicht

Inhaltsverzeichnis

studium-vault — Master-Arbeiten Informatik

Bereiche

Fachbegriffs-Inventar Zulassungsarbeit

Fachbegriffs-Inventar und Glossar-Migrationsvorschlag

1. Übersichtstabelle

1.1 Abkürzungen (Glossar-Sektion 1)

1.2 Fachbegriffe (Glossar-Sektion 2)

1.3 Fachbegriffe im Manuskript OHNE Glossar-Eintrag

1.4 Standard-Vokabular (bewusst NICHT ins Glossar)

2. Vorschlag: Neue Glossar-Einträge (Phase 1)

3. Inline-Erklärungen zur Migration

3.1 Hoher Gewinn (Kernstellen mit Klammerdefinitionen)

3.2 Mittlerer Gewinn

3.3 Geringer Gewinn (Klammerbemerkungen)

4. Sonderfälle / Diskussionspunkte

4.1 Inkonsistente Begriffsnutzung

4.2 Doppelte Erklärungen

4.3 Begriffe, die Text-Definition BRAUCHEN (nicht nur Glossar)

4.4 Bewusste Nicht-Glossar-Begriffe

5. Umsetzungsplan (drei Phasen)

Phase 1 — Glossar ergänzen (leicht, 30–45 min)

Phase 2 — Inline-Erklärungen entfernen/kürzen (mittel, 60–90 min)

Phase 3 — Vollständige \glossar{}-Verlinkung (mittel bis aufwendig, 90–120 min)

6. Bericht

Graphansicht

Inhaltsverzeichnis

Phase 3 — Vollständige `\glossar{}`-Verlinkung (mittel bis aufwendig, 90–120 min)