ڈیٹا کو بڑھانا

It matters because more varied data reduces overfitting and helps models generalize to inputs they have not seen.

ڈیٹا کا اضافہ آپ کے پاس پہلے سے موجود ڈیٹا پر لیبل محفوظ کرنے والی تبدیلیوں کو لاگو کرکے تربیت کی نئی مثالیں تیار کرتا ہے۔ تصاویر کے لیے، اس کا مطلب ہے گردش، پلٹنا، فصلیں، رنگ بدلنا، دھندلا پن، اور شور شامل کرنا — ایسی تبدیلیاں جو پکسلز کو تبدیل کرتی ہیں لیکن صحیح جواب نہیں (ایک پلٹائی ہوئی بلی اب بھی بلی ہے)۔ متن کے لیے، تکنیک میں مترادف کی تبدیلی، بیک ٹرانسلیشن (دوسری زبان میں ترجمہ اور پیچھے)، اور بے ترتیب الفاظ کو حذف کرنا یا تبدیل کرنا شامل ہے۔ آڈیو کے لیے، آپ بیک گراؤنڈ شور، شفٹ پچ، یا ٹائم اسٹریچ کلپس شامل کر سکتے ہیں۔ مقصد ماڈل کو ان تغیرات کو سکھانا ہے جو اہم ہیں - کہ کسی چیز کی شناخت اس کی پوزیشن، روشنی، یا جملے پر منحصر نہیں ہے۔ یہ ماڈلز کو زیادہ مضبوط بناتا ہے اور خاص طور پر اس وقت قیمتی ہوتا ہے جب لیبل لگا ڈیٹا کم ہوتا ہے، کیونکہ ہر ایک حقیقی مثال مؤثر طریقے سے بہت سی ہو جاتی ہے۔ جدید پائپ لائنیں اکثر تربیت کے ہر دور کے دوران اڑان بھرنے کو بے ترتیب بنا دیتی ہیں۔