Etkileşimli Veri-Merkezli ML

Genel Harita Veri ve Nedensellik Veri-Merkezli ML Counterfactual Nedensel Sezgi Tam Ekran Demo

Kitap / Önce Veriyi Düzelt

Bazen yeni model ailesi değil, daha temiz etiketler ve daha iyi kapsama gerçek farkı yaratır. Bu demo, veri kalitesini artırmanın ne zaman model büyütmekten daha çok değer ürettiğini görünür kılar.

Ne Yap Etiket gürültüsünü, kapsama oranını, az temsil edilen alt grup kalitesini ve model karmaşıklığını değiştir.

Ne Gör Kötü veri üzerinde daha büyük model çoğu zaman küçük kazanç verir; temiz veri ise aynı modelle daha büyük sıçrama yaratabilir.

Kitaptaki Karşılığı Makine öğrenmesi yalnızca model seçimi değil, veri kurma ve veri düzeltme disiplinidir.

Veri-merkezli düşünme, “daha karmaşık model ne yapar?” sorusundan önce “veri gerçekten ne kadar güvenilir?” sorusunu sormaktır.