Una guía para la recolección de datos del mundo real para el Aprendizaje Automático

Guía para recolección de datos reales para Aprendizaje Automático

5 Estrategias Prácticas para Optimizar tu Proceso de Recopilación de Datos

Tanto si eres nuevo en ciencia de datos como si eres el Científico de Datos Principal en una gran organización, es probable que hayas utilizado conjuntos de datos perfectamente elaborados para resolver problemas de aprendizaje automático de juguete. Tal vez hayas utilizado agrupamiento K-Means para predecir especies de flores en el conjunto de datos Iris. O tal vez hayas probado un modelo de regresión logística para predecir qué pasajeros sobrevivieron al viaje del Titanic.

Aunque estos conjuntos de datos son excelentes para practicar los conceptos básicos de aprendizaje automático, no reflejan los datos del mundo real con los que te encontrarás en el trabajo. En realidad, tus datos pueden tener problemas de calidad, no ser perfectos para la tarea en cuestión o incluso no existir aún. Esto significa que los Científicos de Datos a menudo necesitan ponerse manos a la obra y recopilar datos, un desafío que no suele abordarse en el currículo actual de ciencia de datos.

Para los nuevos Científicos de Datos, recopilar grandes cantidades de datos antes de abordar el problema puede parecer extremadamente desalentador, ya que esta etapa sienta las bases para todo el proyecto de aprendizaje automático. Sin embargo, con las estrategias adecuadas, este proceso puede volverse mucho más manejable.

A lo largo de mis más de 10 años como Científico de Datos, he encontrado una amplia variedad de estrategias de recopilación de datos, y en este artículo compartiré cinco de mis consejos favoritos para optimizar tu proceso de recopilación de datos y ayudarte a crear un producto exitoso de aprendizaje automático.

• Dos formas de descargar y acceder a Llama 2 localmente
• Creando habilidades personalizadas para chatbots con plugins
• Construyendo un Motor de Recomendación de Productos con Apache Cassandra y Apache Pulsar

1. Transformar la Recopilación de Datos en Valor Inmediato para el Usuario

Un punto de inicio poderoso radica en ofrecer valor tangible desde el principio. Tomemos como ejemplo a un importante jugador en la industria automotriz, Tesla. Su búsqueda de un vehículo completamente autónomo es una meta sustancial que ha llevado años de desarrollo y ha requerido una enorme cantidad de recopilación de datos.

Entonces, ¿qué hicieron mientras acumulaban todos estos datos?

We will continue to update Zepes; if you have any questions or suggestions, please contact us!