Hier is een overzicht van hun doel:

* Gegevensopschoning: Dit omvat het omgaan met ontbrekende waarden, het corrigeren van fouten en het verwijderen van inconsistenties of irrelevante informatie.

* Gegevenstransformatie: Dit omvat het veranderen van gegevenstypen (bijvoorbeeld het converteren van tekst naar getallen), het schalen van waarden (bijvoorbeeld normalisatie, standaardisatie) en het herstructureren van gegevens (bijvoorbeeld draaitabellen).

* Gegevensverrijking: Het toevoegen van context of extra informatie aan de gegevens uit externe bronnen om de bruikbaarheid ervan te vergroten. Bijvoorbeeld het toevoegen van geolocatiegegevens aan een adres of het verrijken van klantgegevens met social media profielen.

* Gegevensopmaak: Ervoor zorgen dat de gegevens voldoen aan het verwachte formaat dat vereist is door de stroomafwaartse verwerkingscomponenten. Dit kan het converteren van bestandstypen inhouden, het wijzigen van scheidingstekens of het volgen van specifieke schema's.

* Functietechniek: Nieuwe functies (variabelen) creëren op basis van bestaande functies om de prestaties van machine learning-modellen of andere analytische processen te verbeteren.

In wezen zorgen invoertransformerende bronnen ervoor dat de gegevens schoon, consistent, relevant en in het juiste formaat zijn om effectief door het systeem te kunnen worden gebruikt. Zonder hen zou het systeem moeite hebben met het verwerken van onbewerkte, inconsistente gegevens, wat zou leiden tot onnauwkeurige resultaten of systeemstoringen. Voorbeelden van dergelijke bronnen zijn onder meer ETL-processen (Extract, Transform, Load), gegevensvoorverwerkingsbibliotheken in programmeertalen (zoals scikit-learn in Python) en gespecialiseerde tools voor gegevenstransformatie.