ΕπόμενοΕπόμενος οδηγός
Επαύξηση Δεδομένων
Βασικές αρχές
ΟΔΗΓΟΣ Βασικών Αρχών
AI & Δεδομένα
Τα δεδομένα είναι οι καταγεγραμμένες πληροφορίες από τις οποίες μαθαίνει ή επεξεργάζεται ένα σύστημα μηχανικής μάθησης.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
Η χρησιμότητά του εξαρτάται από τη συνάφεια, την ποιότητα μέτρησης, τα δικαιώματα και την κάλυψη της προβλεπόμενης εργασίας. Περισσότερες εγγραφές δεν διορθώνουν αυτόματα συστηματικά σφάλματα ή πληθυσμούς που λείπουν.
Βασικά takeaways
- Ορίστε τη μονάδα ενός παραδείγματος.
- Χρησιμοποιήστε μόνο πληροφορίες που είναι διαθέσιμες κατά τον χρόνο πρόβλεψης.
- Παρακολούθηση δεδομένων προέλευσης, έλλειψης και κάλυψης υποομάδας.
Βαθιά κατάδυση
Ξεκινήστε ορίζοντας τι αντιπροσωπεύει ένα παράδειγμα. Μια σειρά μπορεί να περιγράφει έναν πελάτη, μια συναλλαγή, μια φωτογραφία ή μια στιγμή σε μια χρονοσειρά. Αυτές οι μονάδες καθορίζουν πώς θα πρέπει να λειτουργούν τα διπλότυπα, οι ετικέτες και οι διαχωρισμοί αξιολόγησης. Δέκα μετρήσεις από μία συσκευή δεν είναι απαραίτητα δέκα ανεξάρτητες συσκευές. Τα χαρακτηριστικά είναι είσοδοι διαθέσιμες στο μοντέλο. Οι ετικέτες είναι στοχευμένα αποτελέσματα που χρησιμοποιούνται στην εποπτευόμενη μάθηση. Ελέγξτε πότε καθίσταται διαθέσιμη κάθε δυνατότητα: ένας λόγος ακύρωσης που καταγράφεται μετά την αποχώρηση ενός πελάτη δεν μπορεί να προβλέψει δικαίως αυτή την αναχώρηση εκ των προτέρων. Αυτή είναι μια μορφή διαρροής ακόμη και όταν το πεδίο φαίνεται πολύ προγνωστικό. Επιθεωρήστε τιμές που λείπουν, διαφωνίες σχολιασμού, ασυνήθιστα εύρη και αλλαγές στις μεθόδους συλλογής. Οι πληροφορίες που λείπουν μπορεί να έχουν νόημα. Η αντικατάσταση κάθε τιμής που λείπει με μηδέν μπορεί να συγχωνεύσει μια άγνωστη ποσότητα με ένα πραγματικό μηδέν. Τεκμηριώστε τη θεραπεία και δοκιμάστε την σε αντιπροσωπευτικά παραδείγματα. Καταγράψτε τους κανόνες προέλευσης και πρόσβασης παράλληλα με το σύνολο δεδομένων. Μια δημόσια διεύθυνση URL από μόνη της δεν παρέχει άδεια επαναχρησιμοποίησης κάθε στοιχείου για κάθε σκοπό. Συλλέξτε μόνο τις πληροφορίες που απαιτούνται για την εργασία και ορίστε τις διαδικασίες διατήρησης και διαγραφής. Αξιολογήστε ξεχωριστά τις ομάδες ή τις συνθήκες όπου διαφορετικά θα εξαφανίζονταν τα σφάλματα μέσα σε έναν συνολικό μέσο όρο.
04Δουλευμένο παράδειγμα
Βρείτε διαρροή σε ένα σύνολο δεδομένων ακύρωσης
Φανταστείτε αρχεία με ημερομηνία εγγραφής, μηνιαία χρήση, ημερομηνία ακύρωσης και λόγο ακύρωσης.
Για να προβλέψετε ακυρώσεις στις αρχές Ιουνίου, παγώστε κάθε είσοδο εκείνη την ημερομηνία. Καταργήστε τους λόγους και τις ημερομηνίες που καταγράφηκαν μετά την ώρα πρόβλεψης.
Εκπαιδευτείτε σε προηγούμενες περιόδους και δοκιμάστε σε μια μεταγενέστερη ανέγγιχτη περίοδο. Συγκρίνετε αποτελέσματα με και χωρίς τα πεδία που έχουν διαρρεύσει.
Αυτό που δείχνει
Αυτή η υποθετική άσκηση σχεδίασης προσδιορίζει μια μη έγκυρη συντόμευση πριν μια κολακευτική βαθμολογία γίνει απόφαση ανάπτυξης.
Υλοποίηση σε πραγματικό κόσμο
Διαχωρίστε πολλές φωτογραφίες του ίδιου αντικειμένου πριν χωρίσετε ένα σύνολο δεδομένων αναγνώρισης.
Επισημάνετε μια ένδειξη αισθητήρα εκτός του εύλογου εύλογου εύρους για έλεγχο.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Σαφέστερες αποφάσεις. Σας βοηθά να διαχωρίσετε σαφείς τεχνικούς ισχυρισμούς από τη γλώσσα μάρκετινγκ.
- Κόστος και προϋπολογισμός. Μπορείτε να κάνετε καλύτερες ερωτήσεις εφαρμογής προτού ξοδέψετε χρήματα ή χρόνο.
- Ομάδα και ροή εργασίας. Οι ομάδες με κοινή κατανόηση λαμβάνουν καλύτερες αποφάσεις για προϊόντα, πολιτικές και μάθηση.
Προσέξτε
- Διαφορετικές ομάδες μπορεί να χρησιμοποιούν τον ίδιο όρο με διαφορετικό τρόπο, επομένως ορίστε το πεδίο εφαρμογής νωρίς.
- Τα σημεία αναφοράς μπορεί να φαίνονται ισχυρά ενώ η απόδοση στον πραγματικό κόσμο είναι άνιση.
- Η αγνόηση της ποιότητας των δεδομένων και των σχεδίων αξιολόγησης δημιουργεί συχνά εύθραυστα αποτελέσματα.
Επόμενα βήματα
- Ξεκινήστε με έναν ορισμό σε απλή γλώσσα του αποτελέσματος που χρειάζεστε.
- Επιλέξτε μία μέτρηση επιτυχίας και μία συνθήκη αποτυχίας πριν από τη δοκιμή.
- Εκτελέστε ένα μικρό πιλότο με αντιπροσωπευτικά δεδομένα, όχι ένα εκλεπτυσμένο σετ επίδειξης.
- Τεκμηριώστε πού βοηθά το AI & Data και πού είναι καλύτερες οι απλούστερες μέθοδοι.
Πηγές και περαιτέρω ανάγνωση
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the AI & Data quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
Μπορεί ένα μεγάλο σύνολο δεδομένων να είναι ακόμα φτωχό;
Ναί. Οι διπλές, εσφαλμένες ετικέτες, άσχετες ή συστηματικά ελλιπείς εγγραφές μπορεί να καταστήσουν ένα μεγάλο σύνολο δεδομένων ακατάλληλο για την επιδιωκόμενη εργασία.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα