آسان‌جو
راهنمای کاربردی

چطور تغییرات در داده را تشخیص دهیم؟

AUتحریریه
۱۴۰۴/۰۷/۱۲
6 دقیقه مطالعه
تغییر در توزیع داده‌ها (Data Drift) می‌تواند عملکرد مدل را خراب کند. باید به کمک آزمون‌های آماری این تغییرات را شناسایی کرد.
برای مشاهدهٔ ادامه، خرید کنید
دسترسی سریع و فوری
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.
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