Glosārijs

Pazīmju inženierija un izgūšana

Kas ir Pazīmju inženierija un izgūšana?

Pazīmju inženierija nozīmē atribūtu (pazīmju) atlasi, pārveidošanu un izveidi no neapstrādātiem datiem, lai mācīšanās algoritms varētu vieglāk atklāt likumsakarības. Pazīmju izgūšana no sarežģītiem datiem, piemēram, teksta, attēliem vai signāliem, iegūst kompaktas, jēgpilnas vērtības. Piemērs: atsevišķi pirkumu ieraksti tiek pārveidoti pazīmēs, piemēram, „dienas kopš pēdējā pirkuma” vai „vidējā pasūtījuma vērtība”, kas var manāmi uzlabot klientu aiziešanas prognozi.

Tēmas

Mašīnmācīšanās
Datu sagatavošana
Funkcijas

Izmēģiniet KI.ordo

Aģenti, plūsmas un veidnes vienā darbvietā – bezmaksas 24 stundu demo.

Sākt demo

← Visi termini

Saistītie termini

Pazīmju izgūšana

Pazīmju izgūšana ir process, kurā no neapstrādātiem datiem iegūst jēgpilnas vērtības, lai modelis tās varētu efektīvi apstrādāt. Miljonu atsevišķu pikseļu vietā sistēma var izmantot malas, krāsas vai formas; tekstus pārveido par vārdu svariem vai iegultņu vektoriem. Labas pazīmes samazina datu apjomu, mazina skaitļošanas slodzi un bieži uzlabo precizitāti. Pazīmju izgūšana ir pazīmju inženierijas būtiska sastāvdaļa.

datu sagatavošana
pazīmju inženierija
+1

Dimensiju samazināšana

Dimensiju samazināšana mazina datu kopas pazīmju skaitu, nezaudējot būtisko informāciju. Plaši pazīstamas metodes ir galveno komponentu analīze (PCA), kā arī t-SNE un UMAP, ko bieži izmanto vizualizācijai. Tā paātrina aprēķinus, mazina pārmācīšanās risku un padara datus vieglāk aptveramus — piemēram, ja simtiem klientu atribūtu tiek attēloti divdimensiju diagrammā, kurā līdzīgi klienti atrodas tuvu cits citam.

datu analīze
PCA
+1

Datu tīrīšana

Datu tīrīšana ir nepareizu, dublētu vai nekonsekventu ierakstu atklāšana un labošana datu kopās. Tipiski soļi ir rakstības un datuma formātu vienādošana, lieko atstarpju noņemšana un dublikātu apvienošana, piemēram, „Smith Ltd” un „Smith Limited”. Tīri dati ir priekšnoteikums drošām analīzēm, izsūtnēm un MI lietojumprogrammām.

datu kvalitāte
dublikāti
+1

Veidne

Mašīnmācīšanās

Mašīnmācīšanās ir mākslīgā intelekta nozare, kurā datori likumsakarības atvasina no datiem, nevis katrs noteikums tiek skaidri ieprogrammēts. Atkarībā no uzdevuma modeļi mācās no marķētiem piemēriem (ar uzraudzību), no nemarķētiem datiem (bez uzraudzības) vai ar atlīdzībām (pastiprinātā mācīšanās). Lietojumi ir no surogātpasta filtriem un pieprasījuma prognozēm līdz produktu ieteikumiem. Kvalitāte lielā mērā ir atkarīga no apmācības datu daudzuma un kvalitātes.

pamati
MI
+1