Datamärkning

Definition

Datamärkning är processen att tilldela kategorier, taggar eller attribut till rådata så att maskininlärningsmodeller kan lära sig av dem. Det är centralt för övervakad inlärning.

Syfte

Syftet är att göra rådata användbara för utbildning och utvärdering. Etiketter ger de "svar" som modeller behöver under inlärning.

Betydelse

• Avgörande för att bygga noggranna övervakade ML-modeller.
• Dålig märkning minskar systemets tillförlitlighet.
• Ofta arbetsintensivt och kostsamt.
• Kräver domänexpertis inom områden som medicin eller juridik.

Så fungerar det

1. Definiera uppgifter och etikettera schemat.
2. Segmentera rådata i enheter (bilder, meningar, ljudklipp).
3. Tilldela etiketter manuellt eller via halvautomatiska verktyg.
4. Utför kvalitetskontroller och tester av överensstämmelse mellan annotatorer.
5. Exportera märkta datamängder för utbildning.

Exempel (verkliga världen)

• Shaip: märkningsdata för autonoma fordon.
• Kaggle-datauppsättningar: märkta för ML-tävlingar.
• Röntgenbilddataset: märkta av medicinska experter.

Referenser / Vidare läsning

• Dataannotering för AI — NIST.
• Annotering och märkning av datamängder — IEEE-transaktioner inom datateknik.
• ISO/IEC 24617: Ramverk för semantisk annotering — ISO.
• Vad är datamärkning? Allt en nybörjare behöver veta – Shaip