En este artículo invitado, Vatsal Ghiya, CEO y cofundador de Shaip, ha discutido algunas ideas clave sobre la importancia de los conjuntos de datos de calidad para crear un modelo efectivo de aprendizaje automático.
La conclusión clave del artículo es
- ¿Conoce los tecnicismos involucrados en la creación de algoritmos de aprendizaje automático (ML) intuitivos, holísticos e impactantes? Sin embargo, todo el mundo siempre ha hablado de las partes "Delicadeza" y "Diversión" de la creación de un modelo de aprendizaje automático, pero se habla menos de la funcionalidad. Este proceso involucra las técnicas de preprocesamiento, la base de la recopilación de datos, la anotación de datos y mucho más.
- En lenguaje sencillo, los datos de ML son una sola entidad según los algoritmos a pesar de albergar fragmentos dispares de datos. Y estos conjuntos de datos se introducen en el sistema para entrenar algoritmos para identificar patrones. Cada organización puede usar estos conjuntos de datos según sus requisitos comerciales.
- Y para que el algoritmo de aprendizaje automático identifique el patrón correcto y preciso, se requieren conjuntos de datos de calidad que deben recopilarse en un formato para preparar conjuntos de datos relevantes que incluyen la recopilación de datos, el preprocesamiento y la anotación. Además, estos conjuntos de datos se pueden recopilar de múltiples fuentes, como fuentes gubernamentales, depósito de aprendizaje automático y motor de conjuntos de datos de Google.
Lea el artículo completo aquí:
https://websnipers.com/what-is-the-role-of-dataset-in-machine-learning/
