የውሂብ መጨመር
የውሂብ መጨመር ሰው ሰራሽ በሆነ መንገድ የሥልጠና ስብስብን ያሰፋዋል የተሻሻሉ የነባር ምሳሌዎችን - ምስሎችን እንደ መገልበጥ ወይም መቁረጥ።
አጠቃላይ እይታ
It matters because more varied data reduces overfitting and helps models generalize to inputs they have not seen.
ጥልቅ ዳይቭ
የውሂብ መጨመር ቀደም ሲል ባለው ውሂብ ላይ መለያ-ማቆየት ለውጦችን በመተግበር አዲስ የሥልጠና ምሳሌዎችን ይፈጥራል። ለምስሎች ይህ ማለት ማሽከርከር፣ መገልበጥ፣ ሰብል፣ ቀለም መቀየር፣ ማደብዘዝ እና ጫጫታ መጨመር - ለውጦች ፒክስሎችን የሚቀይሩ ግን ትክክለኛው መልስ አይደሉም (የተገለበጠ ድመት አሁንም ድመት ነች)። ለጽሑፍ፣ ቴክኒኮች ተመሳሳይ ቃል መተካት፣ ወደ ኋላ መተርጎም (ወደ ሌላ ቋንቋ እና ወደ ኋላ መተርጎም) እና የዘፈቀደ ቃል መሰረዝ ወይም መለዋወጥ ያካትታሉ። ለኦዲዮ፣ የበስተጀርባ ድምጽ፣ የዝውውር ድምጽ ወይም የጊዜ-ዝርጋታ ቅንጥቦችን ማከል ይችላሉ። ግቡ ሞዴሉን አስፈላጊ የሆኑትን ልዩነቶች ማስተማር ነው - የአንድ ነገር ማንነት በአቀማመጥ፣ በመብራት ወይም በሐረግ ላይ የተመካ አለመሆኑን። ይህ ሞዴሎችን የበለጠ ጠንካራ ያደርጋቸዋል እና በተለይ መለያ የተደረገበት ውሂብ በጣም አነስተኛ ከሆነ ዋጋ ያለው ነው፣ ምክንያቱም እያንዳንዱ እውነተኛ ምሳሌ ብዙ ስለሚሆን። ዘመናዊ የቧንቧ መስመሮች በእያንዳንዱ የሥልጠና ጊዜ ውስጥ ብዙውን ጊዜ በራሪ ላይ መጨመርን በዘፈቀደ ያደርጋሉ.
ቴክኒካዊ ግንዛቤ
ጭማሪው የሚሠራው ስለ ተቃርኖዎች ቀዳሚ እውቀትን በቀጥታ ወደ ስልጠና ስለሚያስገባ ነው፡ ሞዴሉን ብዙ የተለወጡ የአንድ ምሳሌ ስሪቶችን በማሳየት፣ ተዛማጅነት የሌላቸውን ልዩነቶችን ችላ የሚሉ ባህሪያትን እንዲማር ያበረታቱታል። በወሳኝ መልኩ፣ ለውጦች መለያውን መጠበቅ አለባቸው - '6'ን ወደ '9' መገልበጥ የተሳሳተ ነገር ያስተምራል። የላቁ ዘዴዎች ከቀላል አርትዖቶች አልፈው ይሄዳሉ፡ Mixup ሁለት ምስሎችን እና መለያዎቻቸውን ያዋህዳል፣ የመቁረጥ ማስክ ክልሎች እና እንደ AutoAugment ያሉ የተማሩ ፖሊሲዎች ለአንድ የውሂብ ስብስብ ምርጥ የለውጥ ውህዶችን ይፈልጋሉ።
ስልታዊ ተጽእኖ
ግልጽ ውሳኔዎች
ግልጽ ቴክኒካዊ የይገባኛል ጥያቄዎችን ከገበያ ቋንቋ እንዲለዩ ያግዝዎታል።
ወጪ እና በጀት
ገንዘብን ወይም ጊዜን ከማጥፋትዎ በፊት የተሻሉ የትግበራ ጥያቄዎችን መጠየቅ ይችላሉ።
ቡድን እና የስራ ፍሰት
የጋራ ግንዛቤ ያላቸው ቡድኖች የተሻለ ምርት፣ ፖሊሲ እና የመማር ውሳኔዎችን ያደርጋሉ።
የውሂብ መጨመር የወደፊት
ድንበሩ የመነጨ እና የተማረ ጭማሪ ነው፡ የስርጭት ሞዴሎችን ወይም GANsን በመጠቀም ሙሉ ለሙሉ አዲስ፣ ተጨባጭ የስልጠና ምሳሌዎችን አሮጌዎችን ከመቀየር ይልቅ። አውቶሜትድ አጉሜንት ፍለጋ (AutoAugment, RandAugment) በእጅ ማስተካከልን እየቀነሰ ነው, እና መጨመር አሁን በራስ ቁጥጥር የሚደረግበት ትምህርት ማዕከላዊ ነው, ሞዴሎች የሚማሩበት ተመሳሳይ ግብዓት ሁለት የተጨመሩ እይታዎች መመሳሰል እንዳለባቸው በመገንዘብ ነው. ጭማሪው መስመሩን በተቀነባበረ መረጃ ማመንጨት እንዲቀጥል ይጠብቁ፣በተለይም እውነተኛ መረጃዎችን መሰብሰብ ከባድ በሆነባቸው ብርቅዬ ክፍሎች እና ግላዊነት-ትብ ለሆኑ ጎራዎች።
የእውነተኛ-ዓለም አተገባበር
የምስል ክላሲፋየር በዘፈቀደ በተሽከረከሩ፣ በተቆራረጡ እና በቀለማት ያሸበረቁ ፎቶዎች ላይ ያሠለጥናል ስለዚህ አንግል እና መብራት ምንም ይሁን ምን ነገሮችን ለይቶ ያውቃል።
የNLP ቡድን ዓረፍተ ነገሮችን ለመተረጎም እና ትንሽ የስሜት-ትንታኔ ዳታ ስብስብ ለማስፋት የኋላ-መተርጎም (ከእንግሊዝኛ ወደ ጀርመን እና ከኋላ) ይጠቀማል።
የንግግር ሞዴል የጀርባ ካፌ ጫጫታ ይጨምራል እና ቀረጻ ላይ የድምፁን ይቀይራል ስለዚህ ጫጫታ ባለው የገሃዱ ዓለም ሁኔታዎች ውስጥ ትክክል ሆኖ ይቆያል።
የሕክምና AI የመለጠጥ ለውጦችን ይተገብራል እና ወደ ተወሰነ የኤምአርአይ ስካን ስብስብ አዲስ ታካሚዎች ሳይኖሩበት እምብዛም ምልክት የተደረገባቸውን ምሳሌዎችን ለማባዛት ይሠራል።
አደጋዎች እና የጥበቃ መንገዶች
የተለያዩ ቡድኖች ተመሳሳይ ቃል በተለያየ መንገድ ሊጠቀሙ ይችላሉ፣ ስለዚህ ወሰንን ቀደም ብለው ይግለጹ።
የገሃዱ ዓለም አፈጻጸም ያልተስተካከለ ሆኖ ሳለ ማመሳከሪያዎች ጠንካራ ሊመስሉ ይችላሉ።
የውሂብ ጥራት እና የግምገማ እቅዶችን ችላ ማለት ብዙውን ጊዜ ደካማ ውጤቶችን ይፈጥራል.
የትግበራ ፍኖተ ካርታ
የሚፈልጉትን ውጤት በግልፅ ቋንቋ ትርጉም ይጀምሩ።
ከመሞከርዎ በፊት አንድ የስኬት መለኪያ እና አንድ የውድቀት ሁኔታ ይምረጡ።
አንድ ትንሽ አብራሪ በተወካይ ውሂብ ያሂዱ እንጂ የተጣራ ማሳያ ስብስብ አይደለም።
ዳታ መጨመር የሚረዳበት እና ቀላል ዘዴዎች የተሻሉበት ሰነድ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Data Augmentation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
AI እና ውሂብ
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Data Augmentation?
የውሂብ መጨመር ሰው ሰራሽ በሆነ መንገድ የሥልጠና ስብስብን ያሰፋዋል የተሻሻሉ የነባር ምሳሌዎችን - ምስሎችን እንደ መገልበጥ ወይም መቁረጥ። አስፈላጊ ነው ምክንያቱም ብዙ የተለያዩ መረጃዎች ከመጠን በላይ መገጣጠምን ስለሚቀንስ እና ሞዴሎች ያላዩትን ግብዓቶች ጠቅለል አድርገው እንዲያቀርቡ ስለሚረዳ ነው።
የመረጃ መጨመር ዋና ዓላማ ምንድን ነው?
መጨመር ከመጠን በላይ መገጣጠምን ለመቀነስ እና ሞዴሉ የማይታዩ ግብዓቶችን እንዲይዝ ለማገዝ የተለያዩ የተሻሻሉ የነባር መረጃዎች ቅጂዎችን ይፈጥራል።
ከእነዚህ ውስጥ የትኛው የተለመደ የምስል መጨመር ዘዴ ነው?
መገልበጥ፣ መከርከም፣ ማሽከርከር እና የቀለም ፈረቃዎች መለያውን በሚጠብቁበት ጊዜ ፒክስሎችን የሚቀይሩ መደበኛ የምስል ጭማሪዎች ናቸው።
የኋለኛ ትርጉም በጽሑፍ መጨመር ውስጥ ምን ያደርጋል?
ተመለስ መተርጎም ጽሑፍን በሌላ ቋንቋ እና ወደ ኋላ ያስኬዳል፣ ይህም ትርጉምን የሚጠብቅ በዳግም የተተረጎመ እትም ይሰጣል።
ለምንድነው ጭማሪዎች 'መለያ ማቆየት' መሆን ያለባቸው?
ለውጥ ትክክለኛውን መልስ መቀየር የለበትም - ለምሳሌ '6'ን ወደ '9' መገልበጥ ምሳሌውን የተሳሳተ ያደርገዋል።
የ Mixup ቴክኒክ ምን ያደርጋል?
ሚክስፕፕ ጥንድ ግብዓቶችን እና መለያዎቻቸውን በመስመር በማጣመር አዲስ ናሙናዎችን ይፈጥራል፣ ይህም ለስላሳ የውሳኔ ገደቦችን ያበረታታል።