آسان‌جو
راهنمای کاربردی
راهنمای تضمین کیفیت داده در پروژه‌های یادگیری ماشین
مقدمه
در این کتابچه می‌آموزید چگونه داده‌های آموزشی مدل‌های هوش مصنوعی را از نظر دقت، کامل بودن و یکپارچگی بررسی کنید تا مدل‌ها خروجی قابل‌اعتماد داشته باشند.

توجه: محصولات ارائه‌شده در آسان‌جو کتاب چاپی یا pdf یا اثر حجیم دانشگاهی نیستند، بلکه «کتابچه الکترونیکی کاربردی» محسوب می‌شوند که در قالب پرسش و پاسخ‌های کاربردی برای استفاده سریع کاربران در مسائل روزمره پس از خرید عرضه می‌گردند.

فهرست

۱.۱
منظور از کیفیت داده چیست؟
۲.۱
چرا کیفیت داده بر دقت مدل تأثیر دارد؟
۳.۱
چه معیارهایی برای سنجش کیفیت داده وجود دارد؟

۱.۲
چطور داده‌ها را به‌صورت خودکار اعتبارسنجی کنیم؟
۲.۲
چطور داده‌های پرت را شناسایی کنیم؟
۳.۲
چطور نواقص داده را پر یا حذف کنیم؟

۱.۳
چطور کیفیت داده را در طول زمان حفظ کنیم؟
۲.۳
چطور تغییرات در داده را تشخیص دهیم؟
۳.۳
چگونه مستندسازی کیفیت داده انجام دهیم؟

۱.۴
چطور فرآیند کنترل کیفیت داده را خودکار کنیم؟
۲.۴
چطور با تیم‌های مختلف برای کیفیت داده همکاری کنیم؟
۳.۴
چطور از ورود داده بی‌کیفیت جلوگیری کنیم؟
دسترسی سریع پس از خرید

دسترسی سریع پس از خرید

کتاب‌های مرتبط

سایر کتاب‌ها در موضوعات مرتبط

راهنمای ساخت Pipeline داده برای آموزش مدل‌های یادگیری ماشین
راهنمای رعایت قوانین حریم خصوصی و GDPR در داده‌های هوش مصنوعی
راهنمای امنیت داده و مدیریت دسترسی در زیرساخت‌های هوش مصنوعی
راهنمای پایش و مانیتورینگ پایپ‌لاین‌های داده
راهنمای انتخاب معماری داده مناسب برای پروژه‌های هوش مصنوعی
راهنمای مقیاس‌پذیری زیرساخت داده
راهنمای کاهش هزینه در زیرساخت داده ابری
راهنمای انتخاب ابزارهای زیرساختی در مهندسی داده (Airflow، Spark، dbt، Kafka و...)
راهنمای طراحی مدل‌های پیش‌بینی کسب‌وکار
راهنمای شروع یادگیری بینایی ماشین از صفر