今天学习的是数据准备的流程。

我们已经知道，数据准备占了AI项目超过一半甚至79%的时间。

那么数据准备，都做些什么，有哪些流程。

1.数据采集

• 观测数据
• 人工收集
• 调查问卷
• 线上数据库

2.数据清洗

• 有缺失的数据
• 有重复的数据
• 有内容错误的数据，例如逻辑错误、格式错误
• 有不需要的数据

3.数据标注

数据标注即通过分类、画框、标注、注释等，对图片、语音、文本等数据进行处理，标记

对象的特征，以作为机器学习标签的过程。

 4.数据划分

• 训练集
• 测试集
• 一般8:2或者7:3，训练集的数据较大

5.数据验收

• 合法性
• 准确性
• 完整性
• 一致性

延伸学习：

1. 数据采集

• 确定数据源：根据业务需求，确定需要采集数据的来源，如数据库、API、日志文件、传感器等。
• 设计采集策略：制定数据采集的频率、方式（如实时采集、批量采集）以及数据存储格式。
• 实施采集：编写或使用现成的工具来从数据源中抓取数据。

示例：

• 电商网站通过日志系统收集用户的浏览和购买记录，为推荐系统提供数据。
• 智能家居设备通过传感器实时采集温度、湿度等数据，用于智能控制。

2. 数据清洗

• 去除重复数据：识别并删除重复的记录。
• 处理缺失值：使用均值、中位数、众数等统计方法填充缺失值，或根据算法预测缺失值。
• 纠正错误值：通过数据验证和逻辑规则识别并更正错误的数据。
• 格式化数据：将数据转换为统一的格式，如日期、时间戳等。

示例：

• 在医疗数据分析中，清洗掉由于设备故障产生的异常血压读数。
• 在金融领域，处理由于系统故障导致的交易数据中的缺失值。

3. 数据标注

• 定义标注规则：根据业务需求，制定数据标注的标准和规则。
• 实施标注：人工或使用自动化工具对数据进行标注。
• 标注质量检查：验证标注的准确性，确保数据质量。

示例：

• 在图像识别项目中，人工标注图片中的物体类别（如猫、狗、汽车等）。
• 在语音识别中，对音频数据进行文本标注，用于训练语音转文字模型。

4. 数据划分

• 随机划分：将数据随机划分为训练集、验证集和测试集。
• 分层抽样：确保每个子集中的数据分布与整体数据分布一致。
• 时间序列划分：对于时间序列数据，按照时间顺序进行划分。

示例：

• 在股票价格预测项目中，按照时间序列划分训练集和测试集，确保模型能够学习到时间序列中的模式。
• 在图像分类任务中，随机划分图像数据，但确保每个类别在训练集和测试集中都有代表。

5. 数据验收

• 数据质量检查：验证数据的完整性、准确性和一致性。
• 业务需求符合性检查：确保数据满足业务需求和项目目标。
• 数据安全性检查：确保数据在处理、存储和传输过程中符合安全标准。

示例：

• 在智能客服项目中，验收阶段发现部分用户对话数据存在隐私泄露风险，于是进行数据脱敏处理。
• 在推荐系统项目中，验收阶段发现数据集中缺少关键的用户行为数据，于是重新采集这部分数据。

6. 数据交付

• 数据打包：将数据整理成适当的格式和文件结构，便于模型训练和部署。
• 数据传输：安全地将数据传输给模型训练团队或存储到指定位置。
• 数据文档编写：提供数据字典、数据说明文档等，帮助使用者理解数据。

示例：

• 在自然语言处理项目中，将清洗和标注后的文本数据打包成CSV格式，并附带数据字典说明每个字段的含义，然后交付给模型训练团队。
• 在图像识别项目中，将图像数据和对应的标注文件整理成特定的文件夹结构，并通过加密方式传输给远程服务器上的模型训练环境。