Das Kapitel beleuchtet die zunehmende Bedeutung Künstlicher Intelligenz (KI) in den Sport- und Gesundheitswissenschaften und stellt datengetriebene Forschungsansätze im Vergleich zu klassischen, hypothesengeleiteten Methoden dar. Im Zentrum stehen Verfahren des Maschinellen Lernens (ML) und Deep Learning (DL), die es ermöglichen, komplexe Muster in großen, oft unstrukturierten Datensätzen zu erkennen. Nach einer Einführung in die Grundlogik datengetriebener Forschung und den KDD-Prozess (Knowledge Discovery in Databases) werden zentrale ML-Paradigmen – überwachtes, unüberwachtes und bestärkendes Lernen – anhand praxisnaher Beispiele erläutert. Anschließend werden spezifische Qualitäts- und Bewertungskriterien für ML-Modelle diskutiert, darunter Objektivität, Reliabilität, Validität, Performanzmetriken sowie neue Gütekriterien wie Erklärbarkeit, Fairness, Robustheit und Skalierbarkeit. Das Kapitel zeigt, dass datengetriebene Ansätze durch ihre explorative und iterative Natur neue Erkenntnismöglichkeiten eröffnen, zugleich aber spezifische Anforderungen an Datenqualität, Transparenz und ethische Verantwortung stellen.