Deep Learning (DL) ist ein Teilgebiet des maschinellen Lernens (ML), das auf neuronalen Netzen basiert, die auf verschiedenen Abstraktionsebenen lernen und dabei traditionelle ML Methoden in einer Vielzahl von Aufgaben häufig übertreffen. Diese Dissertation untersucht verschiedene Geschäftsaufgaben mit sequenziellen Daten und analysiert die DL Eignung. Zuerst stellen wir den DL Begriff und die Taxonomie der sequenziellen Datenforschung vor. Die ermittelte Taxonomie zeigt die Dimensionen auf, entlang derer unsere Analyse von DL für die sequenzielle Datenforschung durchgeführt wird. Kapitel 2 untersucht die Machbarkeit und Eignung der automatischen Inhaltsüberwachung und deren Erklärbarkeit. Wir konsolidieren die Arbeiten zur Erkennung antisozialen Verhaltens und identifizieren DL- sowie nicht-DL-basierter Algorithmuskandidaten und betonen die Bedeutung der Interpretierbarkeit. Kapitel 3 widmet sich der jüngsten Popularität von Smart Contracts (SC), Softwareprogrammen, die auf einer Blockchain basieren und bestimmte Aktionen ausführen können. Wir befassen uns mit den rechtlichen, rechnerischen und statistischen Aspekten von SCs und untersuchen, ob reale Anwendungen mit den vorgeschlagenen Medienanwendungsfällen korrelieren und potenziell die Wirtschaft revolutionieren können. DL-Methoden dienen als Instrument zum Verständnis des SCs-Ökosystems. Kapitel 4 stellt das Code-Zusammenfassungs (CZ) ‚Algorithm Choice Framework‘ für den Wissenschaftsbereich vor, das Wissenschaftler bei der Entwicklung ihres CZ-Systems unterstützt. Die Anwendung des Frameworks wird anschließend am Anwendungsfall von Quantlet.com veranschaulicht. Abschließend untersucht Kapitel 5 die Überwachung der CZ-Systeme. Das Kapitel schlägt das Meta-Learning-Modul vor, das die Überwachung, Modellauswahl und Ensemblebildung von CZ-Modellen mithilfe einer Mischung von Experten ermöglicht. Abschließend wird erörtert, wie das Modul eine prädiktive Perspektive auf die Interpretierbarkeit bieten kann.

Deep Learning (DL) is a subset of machine learning (ML) based on neural networks that learn at different abstraction levels, frequently outperforming traditional ML methods in a variety of tasks. This dissertation investigates various business tasks involving sequential data and analyzes the DL methods suitability. First, we introduce the notion of deep learning and the taxonomy of sequential data research. The identified taxonomy showcases the dimensions along which our holistic analysis of DL for sequential data research is conducted. The second chapter investigates the feasibility and suitability of automatic content monitoring and the explainability of such systems. Here, we consolidate the work on antisocial behavior detection and identify algorithm candidates, including DL and non-DL-based methodologies, and highlight the importance of the interpretability. The third chapter is dedicated to the recent popularity of Smart Contracts (SC), the software programs that live on a blockchain and can perform specific actions. Here, we dive into the legal, computational, and statistical aspects of SCs, identifying whether real-world applications correlate with the suggested media use cases and can potentially revolutionize the economy. DL methods serve as a supporting tool for understanding the SCs ecosystem. The fourth chapter proposes the code summarization Algorithm Choice Framework for the science domain, supporting scientists in designing their code summarization system. The framework’s usage is then exemplified in the real-world use case of Quantlet.com. Finally, chapter 5 investigates monitoring the code summarization systems. The chapter proposes the Meta-Learning Module that enables code summarization model monitoring, model selection, and ensembling using a mixture of experts. Finally, it discusses how the module can give a predictive perspective on interpretability.