![]()
内容推荐 训练数据与算法本身一样关系到数据项目的成败,因为大多数AI系统的失败都与训练数据有关。尽管训练数据是AI和机器学习成功的基础,但却很少有全面的资源能帮助你掌握这一过程。 在这本实践指南中,作者Anthony Sarkis(Diffgram AI数据训练软件的首席工程师)向技术专业人员、管理人员、主题专家展示了如何使用和扩展训练数据,同时阐明了监督机器的人性化一面。工程领导者、数据工程师、数据科学专业人士都将深入了解使用训练数据取得成功所需的概念、工具和流程。 目录 Preface 1.Training Data Introduction 2.Getting Up and Running 3.Schema 4.Data Engineering 5.Workflow 6.Theories, Concepts, and Maintenance 7.AI Transformation and Use Cases 8.Automation 9.Case Studies and Stories 导语 通过本书,你将学习如何: ·有效地使用包括模式、原始数据、注释在内的训练数据; ·改造你的工作、团队或组织,使其更加以AI/ML数据为中心; ·向其他员工、团队成员、利益相关者清晰地解释训练数据概念; ·为生产级AI应用设计、部署、交付训练数据; ·识别并纠正新的基于训练数据的故障模式,如数据偏差; ·自信地使用自动化技术来更有效地创建训练数据; ·成功维护、操作、改进训练数据记录系统。 书评(媒体评论) “本书360度地全面介绍了如何生成高质量的 训练数据并启动新项目。” ——Anirudh Koul Pinterest数据科学及机器学习主管 “做好机器学习需要人们学习训练数据。这本 书价值连城。” ——Neal Linson InCite Logix和LLM Superstar 首席数据和分析官 |