คู่มือพื้นฐาน

การเพิ่มข้อมูล

Data augmentation transforms or combines training examples to improve learning from available data.

ฟังคำแนะนำนี้บรรยายโดย AI · ~1 min

บนหน้านี้อ่าน 1 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของการเพิ่มข้อมูล
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

An augmentation must preserve the target label or explicitly adjust it to match the transformed example.

เจาะลึก

Augmentation expands the training distribution through transformations or combinations. Mixup creates convex combinations of examples and labels. CutMix replaces a patch and mixes labels in proportion to area. AutoAugment searches for policies using validation performance, while back-translation creates synthetic paraphrases for text tasks. The methods are task-specific: transformations that preserve labels for one task may invalidate labels for another.

การใช้งานจริงในโลกแห่งความเป็นจริง

Random crops or flips can create altered image views when the label remains valid.

Mixup linearly combines two inputs and their labels.

CutMix pastes an image region from one example into another and weights labels by area.

Back-translation generates paraphrased text by translating through an intermediate language.

อนาคตของการเพิ่มข้อมูล

Select augmentations based on task semantics and validate on data representative of deployment. Record transformation distributions and test for synthetic artifacts or label mismatch. The cited papers report specific datasets and experiments, not a guarantee that more augmentation always improves generalization.

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • การตัดสินใจที่ชัดเจนยิ่งขึ้น. ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้
  • ต้นทุนและงบประมาณ. คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา
  • ทีมงานและขั้นตอนการทำงาน. ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น

ระวัง

  • แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ
  • เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน
  • การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง

ขั้นตอนต่อไป

  1. เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ
  2. เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ
  3. ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม
  4. เอกสารที่การเพิ่มข้อมูลช่วยได้ และวิธีที่ง่ายกว่าจะดีกว่า

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Data Augmentation quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

What is Data Augmentation?

Data augmentation transforms or combines training examples to improve learning from available data. An augmentation must preserve the target label or explicitly adjust it to match the transformed example.

วัตถุประสงค์หลักของการเพิ่มข้อมูลคืออะไร?

Augmentation จะสร้างสำเนาข้อมูลที่มีอยู่ที่หลากหลายและได้รับการแก้ไข เพื่อลดการติดตั้งมากเกินไป และช่วยให้โมเดลจัดการกับอินพุตที่มองไม่เห็น

ข้อใดเป็นเทคนิคการเพิ่มภาพทั่วไป

การพลิก การครอบตัด การหมุน และการเปลี่ยนสีคือการเพิ่มรูปภาพมาตรฐานที่เปลี่ยนพิกเซลในขณะที่ยังคงรักษาป้ายกำกับไว้

การแปลกลับทำอะไรในการเพิ่มข้อความ?

การแปลแบบย้อนกลับจะเรียกใช้ข้อความผ่านภาษาอื่นและย้อนกลับ เพื่อให้ได้เวอร์ชันที่มีการใช้คำใหม่ซึ่งยังคงความหมายไว้

ทำไมการเสริมจึงต้อง 'รักษาฉลาก'?

การแปลงไม่ควรเปลี่ยนคำตอบที่ถูกต้อง เช่น การพลิก '6' เป็น '9' จะทำให้ตัวอย่างไม่ถูกต้อง

เทคนิค Mixup ทำหน้าที่อะไร?

Mixup สร้างตัวอย่างใหม่โดยการรวมคู่อินพุตและป้ายกำกับเข้าด้วยกันเป็นเส้นตรง ส่งเสริมขอบเขตการตัดสินใจที่ราบรื่นยิ่งขึ้น

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →