Kebanyakan model pembelajaran mesin dan pembelajaran mendalam sangat bergantung pada jumlah dan kepelbagaian data untuk berfungsi dengan baik. Jumlah dan kepelbagaian data yang disediakan semasa latihan mempunyai impak yang besar terhadap ketepatan ramalan model ini.
Model pembelajaran mendalam yang telah diajar untuk melaksanakan dengan berkesan pada tugas yang rumit selalunya termasuk neuron tersembunyi. Bilangan parameter yang boleh dilatih meningkat mengikut bilangan neuron tersembunyi.
Jumlah data yang diperlukan adalah berkadar dengan bilangan model parameter yang boleh dipelajari. Satu kaedah untuk menangani kesukaran data terhad ialah menggunakan pelbagai transformasi pada data semasa untuk mensintesis data baharu.
Teknik mensintesis data baharu daripada data sedia ada dirujuk sebagai 'Pembesaran Data.' Penambahan data boleh digunakan untuk memenuhi kedua-dua keperluan: volum data dan kepelbagaian data latihan yang diperlukan untuk membangunkan dengan tepat pembelajaran mesin atau model pembelajaran mendalam.
Dalam siaran ini, kita akan melihat dengan teliti penambahan data, jenisnya, sebab ia penting dan banyak lagi.
Jadi, apakah itu Pembesaran Data?
Peningkatan Data ialah proses membangunkan data baharu dan mewakili data daripada data sedia ada. Anda boleh mencapai ini dengan memasukkan versi data sedia ada yang diubah suai atau mensintesis data baharu.
Set data yang dihasilkan oleh kaedah ini akan meningkatkan pembelajaran mesin anda atau model pembelajaran mendalam dengan meminimumkan risiko overfitting. Ia adalah proses menukar, atau "menambah," set data dengan maklumat tambahan.
Input tambahan ini mungkin terdiri daripada imej kepada teks, dan ia meningkatkan prestasi sistem pembelajaran mesin.
Andaikan kami ingin membina model untuk mengkategorikan baka anjing dan kami mempunyai sejumlah besar gambar semua jenis kecuali pugs. Akibatnya, model akan mengalami kesukaran mengkategorikan pugs.
Kami boleh menambah foto pug tambahan (sebenar atau palsu) pada koleksi, atau kita boleh menggandakan gambar pug semasa (cth dengan mereplikasi dan memutarbelitkannya untuk menjadikannya unik secara buatan).
Apakah kegunaan penambahan data pada masa kini?
Permohonan untuk pembelajaran mesin sedang pesat membangun dan mempelbagaikan, terutamanya dalam bidang pembelajaran mendalam. Cabaran yang dihadapi oleh industri kecerdasan buatan boleh diatasi melalui teknik penambahan data.
Pembesaran data boleh meningkatkan prestasi dan hasil model pembelajaran mesin dengan menambahkan contoh baharu dan pelbagai pada set data latihan.
Apabila set data adalah besar dan mencukupi, model pembelajaran mesin berprestasi lebih baik dan lebih tepat. Untuk model pembelajaran mesin, pengumpulan data dan pelabelan mungkin memakan masa dan mahal.
Syarikat boleh mengurangkan kos operasi mereka dengan menukar set data dan menggunakan strategi penambahan data.
Membersihkan data ialah salah satu peringkat dalam pembangunan model data, dan ia adalah penting untuk model ketepatan tinggi. Walau bagaimanapun, model itu tidak akan dapat menjangka input yang betul dari dunia sebenar jika pembersihan data mengurangkan kebolehwakilan.
Model pembelajaran mesin boleh diperkukuh dengan menggunakan pendekatan penambahan data, yang menghasilkan variasi yang boleh dihadapi oleh model dalam dunia sebenar.
Jenis Pembesaran Data
Penambahan data sebenar
Pembesaran data sebenar berlaku apabila anda menambah data tambahan yang tulen pada set data. Ini boleh terdiri daripada fail teks dengan atribut tambahan (untuk gambar berteg) kepada imej objek lain yang setanding dengan objek asal, atau bahkan rakaman perkara sebenar.
Contohnya, dengan menambahkan beberapa lagi ciri pada fail imej, model pembelajaran mesin boleh mengesan item dengan lebih mudah.
Lebih banyak metadata tentang setiap imej (cth, nama dan perihalannya) mungkin disertakan supaya model AI kami mengetahui lebih lanjut tentang perkara yang diwakili oleh setiap imej sebelum ia memulakan latihan tentang foto tersebut.
Apabila tiba masanya untuk mengkategorikan foto baharu ke dalam salah satu kategori kami yang telah ditetapkan, seperti "kucing" atau "anjing", model itu mungkin dapat mengesan item yang terdapat dalam imej dengan lebih baik dan hasilnya lebih baik secara keseluruhan.
Data Sintetik Peningkatan
Selain daripada menambah lebih banyak data sebenar, anda juga boleh menyumbang data sintetik atau data tiruan yang kelihatan sahih.
Ini bermanfaat untuk tugas yang sukar seperti pemindahan gaya saraf, tetapi ia juga bagus untuk sebarang reka bentuk, sama ada anda menggunakan GAN (Rangkaian Adversarial Generatif), CNN (Rangkaian Neural Convolutional) atau seni bina rangkaian saraf dalam yang lain.
Contohnya, jika kita ingin mengkategorikan pug dengan betul tanpa perlu keluar dan mengambil beberapa foto, kita boleh menambahkan beberapa gambar pug palsu pada koleksi imej anjing.
Bentuk penambahan data ini amat berkesan untuk meningkatkan ketepatan model apabila mengumpul data adalah sukar, mahal atau memakan masa. Dalam keadaan ini, kami mengembangkan set data secara buatan.
Andaikan bahawa kumpulan awal 1000 gambar baka anjing kami mengandungi hanya 5 imej pug. Daripada menambah gambar pug sebenar tambahan daripada anjing sebenar, mari kita cipta gambar palsu dengan mengklon salah satu daripada yang semasa dan herotkan sedikit supaya ia masih kelihatan seperti pug.
Teknik Pertambahan Data
Pendekatan penambahan data memerlukan sedikit pengubahsuaian pada data sedia ada. Ia sama seperti menguraikan semula kenyataan. Kita boleh membahagikan penambahan data kepada tiga kategori:
teks
- Penggantian Perkataan: Pendekatan penambahan data ini termasuk menggantikan istilah semasa dengan sinonim. Sebagai contoh, "Filem ini bodoh" boleh menjadi "Filem ini bodoh."
- Pengocokan Ayat/Perkataan: Strategi ini melibatkan penukaran urutan frasa atau perkataan sambil mengekalkan koheren keseluruhan.
- Manipulasi Pokok Sintaks: Anda menukar ayat sedia ada menjadi tepat dari segi tatabahasa sambil menggunakan istilah yang sama.
- Pemadaman Rawak: Walaupun strategi ini menghasilkan penulisan yang jelek, ia berkesan. Akibatnya, baris "Saya tidak akan membeli rekod ini kerana ia tercalar" menjadi "Saya tidak akan membeli ini kerana ia tercalar." Frasa ini kurang jelas, tetapi ia kekal sebagai tambahan yang munasabah.
- Terjemahan Belakang: Pendekatan ini berkesan dan menyeronokkan. Ambil pernyataan yang ditulis dalam bahasa anda, terjemahkannya ke bahasa lain, dan kemudian terjemah semula ia kembali ke bahasa asal anda.
Imej
- Penapis Kernel: Pendekatan ini menajamkan atau mengaburkan gambar.
- Gabungan Imej: Walaupun ia mungkin kelihatan pelik, anda boleh mencampurkan foto.
- Memadam secara Rawak: Padamkan sebahagian kecil gambar semasa.
- Transformasi Geometrik: Pendekatan ini merangkumi, antara lain, membalikkan, memutar, memotong atau menterjemah gambar secara sewenang-wenangnya.
- Membalikkan gambar: Anda boleh menyelak imej daripada orientasi mendatar ke menegak.
- Transformasi Ruang Warna: Anda boleh mengubah suai saluran warna RGB atau meningkatkan sebarang warna semasa.
- Penskalaan Semula ialah proses melaraskan skala visual. Anda mempunyai pilihan untuk menskala masuk atau keluar. Apabila anda menskala ke dalam, imej menjadi lebih kecil daripada saiz awal. Gambar akan menjadi lebih besar daripada yang asal jika anda menskalakannya ke luar.
Audio
- Pitch: Pendekatan ini melibatkan menukar pic audio.
- Tukar kelajuan: Tukar kelajuan fail audio atau rakaman.
- Lebih Banyak Bunyi: Anda boleh menambah lebih banyak hingar pada fail audio.
Gunakan Kes
Pengimejan perubatan ialah kes penggunaan yang menonjol untuk penambahan data sekarang. Koleksi gambar perubatan adalah kecil, dan berkongsi data adalah sukar kerana peraturan dan kebimbangan privasi.
Tambahan pula, set data adalah lebih terhad dalam kes gangguan luar biasa. Syarikat pengimejan perubatan menggunakan penambahan data untuk mempelbagaikan set data mereka.
Cabaran
Kebolehskalaan, set data yang pelbagai dan perkaitan adalah beberapa isu yang perlu diselesaikan untuk membangunkan teknik penambahan data yang cekap.
Dari segi kebolehskalaan, data tambahan perlu berskala supaya banyak model berbeza boleh menggunakannya. Anda perlu memastikan bahawa ini boleh diduplikasi untuk digunakan dalam model masa hadapan kerana menyediakan sistem penambahan data yang menjana sejumlah besar data yang berkaitan, berharga dan dipertingkatkan boleh mengambil sedikit masa.
Dari segi heterogeniti, pelbagai set data mempunyai ciri tersendiri yang mesti dipertimbangkan semasa membangunkan data tambahan. Untuk membangunkan data dipertingkat yang sesuai, sifat setiap set data mesti digunakan.
Dalam erti kata lain, penambahan data akan berbeza antara set data dan kes penggunaan.
Akhir sekali, untuk menjamin bahawa kelebihan data yang meningkat melebihi sebarang bahaya, data yang ditambah harus dinilai menggunakan metrik yang sesuai sebelum digunakan oleh model pembelajaran mesin.
Contohnya, kehadiran bunyi latar belakang yang ketara atau item yang tidak berkaitan dalam data tambahan berasaskan imej boleh memberi kesan buruk pada prestasi model.
Kesimpulan
Akhirnya, sama ada anda cuba meramal kerugian, mengenal pasti penipuan kewangan atau membina dengan lebih baik klasifikasi imej model, penambahan data ialah cara kritikal untuk membina model yang lebih tepat dan teguh.
Melalui prosedur latihan yang unggul, prapemprosesan mudah dan penambahan data malah boleh membantu pasukan dalam membangunkan model termaju.
Perniagaan boleh menggunakan penambahan data untuk mengurangkan jumlah masa yang dihabiskan untuk menyediakan data latihan dan untuk mencipta model pembelajaran mesin yang lebih tepat dan lebih cepat.
Dengan mengembangkan kuantiti data berkaitan dalam set data, penambahan data juga boleh memanfaatkan model pembelajaran mesin yang sudah mempunyai banyak data.
Sila tinggalkan balasan anda