Trainingsdaten für maschinelles Lernen

Kapitel 6. Theorien, Konzepte und Wartung

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Einführung

Bisher habe ich die praktischen Grundlagen von Trainingsdaten behandelt: wie du mit dem Training beginnst und wie du deine Arbeit skalieren kannst. Jetzt, wo du die Grundlagen kennst, wollen wir über fortgeschrittenere Konzepte, spekulative Theorien und Wartungsmaßnahmen sprechen.

In diesem Kapitel gehe ich auf Folgendes ein:

• Theorien

• Konzepte

• Mustererstellung

• Instandhaltungsmaßnahmen

Einer Maschine beizubringen, die Welt zu verstehen und intelligent zu interpretieren, kann sich wie eine monumentale Aufgabe anfühlen. Aber es gibt eine gute Nachricht: Die Algorithmen hinter den Kulissen erledigen einen Großteil der schweren Arbeit. Unser Hauptanliegen bei den Trainingsdaten ist der "Abgleich", d. h. die Definition dessen, was gut ist, was ignoriert werden sollte und was schlecht ist. Für echte Trainingsdaten braucht es natürlich viel mehr als nur ein Kopfnicken oder Kopfschütteln. Wir müssen einen Weg finden, unsere eher zweideutigen menschlichen Begriffe in etwas umzuwandeln, das die Maschine versteht.

Ein Hinweis für den technischen Leser: Dieses Kapitel soll auch dazu beitragen, ein konzeptionelles Verständnis für die Beziehungen zwischen Trainingsdaten und Datenwissenschaft zu entwickeln. Die datenwissenschaftlichen Besonderheiten einiger der hier angesprochenen Konzepte liegen außerhalb ...