（文章來源：百家號(hào)）

從自動(dòng)駕駛汽車等基于AI的大規(guī)模技術(shù)革命到構(gòu)建非常簡(jiǎn)單的算法，您都需要正確格式的數(shù)據(jù)。實(shí)際上，特斯拉和福特一直在通過行車記錄儀，傳感器和倒車攝像頭收集數(shù)據(jù)，并對(duì)其進(jìn)行分析以制造出無人駕駛和全自動(dòng)汽車，以確保安全的道路。

收集數(shù)據(jù)之后的下一步是準(zhǔn)備數(shù)據(jù)的過程，這將成為本文的重點(diǎn)，并將在后續(xù)部分中詳細(xì)討論。在深入研究數(shù)據(jù)準(zhǔn)備過程的概念之前，讓我們首先了解其含義。作為基于AI創(chuàng)新的大腦的數(shù)據(jù)科學(xué)家，您需要了解數(shù)據(jù)準(zhǔn)備的重要性，以實(shí)現(xiàn)模型所需的認(rèn)知能力。

什么是數(shù)據(jù)準(zhǔn)備？數(shù)據(jù)是每個(gè)組織的寶貴資源。但是，如果我們不進(jìn)一步分析該聲明，它可能會(huì)否定自己。 企業(yè)將數(shù)據(jù)用于各種目的。從廣義上講，它用于制定明智的業(yè)務(wù)決策，執(zhí)行成功的銷售和營(yíng)銷活動(dòng)等。但是，這些不能僅用原始數(shù)據(jù)來實(shí)現(xiàn)。

數(shù)據(jù)只有經(jīng)過清洗，貼標(biāo)簽，注釋和準(zhǔn)備后，才能成為寶貴的資源。數(shù)據(jù)經(jīng)過適應(yīng)性測(cè)試的各個(gè)階段后，便最終具備進(jìn)行進(jìn)一步處理的資格。處理可以采用多種方法-將數(shù)據(jù)提取到BI工具，CRM數(shù)據(jù)庫，開發(fā)用于分析模型的算法，數(shù)據(jù)管理工具等。

現(xiàn)在，重要的是您從此信息的分析中收集的見解是準(zhǔn)確且值得信賴的。實(shí)現(xiàn)此輸出的基礎(chǔ)在于數(shù)據(jù)的健康狀況。此外，無論您是構(gòu)建自己的模型還是從第三方那里獲得模型，都必須確保標(biāo)記，擴(kuò)充，干凈，結(jié)構(gòu)化的整個(gè)過程背后的數(shù)據(jù)都經(jīng)過標(biāo)記，概括，即數(shù)據(jù)準(zhǔn)備。

正如Wikipedia所定義的，數(shù)據(jù)準(zhǔn)備是將原始數(shù)據(jù)（可能來自不同的數(shù)據(jù)源）操縱（或預(yù)處理）為可以方便，準(zhǔn)確地進(jìn)行分析的形式的行為，例如出于商業(yè)目的。數(shù)據(jù)準(zhǔn)備是數(shù)據(jù)分析項(xiàng)目的第一步，可以包括許多離散任務(wù)，例如加載數(shù)據(jù)或數(shù)據(jù)攝取，數(shù)據(jù)融合，數(shù)據(jù)清理，數(shù)據(jù)擴(kuò)充和數(shù)據(jù)交付。

根據(jù)Cognilytica的最新研究，其中記錄并分析了組織，機(jī)構(gòu)和最終用戶企業(yè)的響應(yīng)，以識(shí)別在標(biāo)記，注釋，清理，擴(kuò)充和豐富機(jī)器學(xué)習(xí)模型的數(shù)據(jù)上花費(fèi)了大量時(shí)間。數(shù)據(jù)科學(xué)家80％以上的時(shí)間都花在準(zhǔn)備數(shù)據(jù)上。盡管這是一個(gè)好兆頭，但考慮到隨著良好的數(shù)據(jù)進(jìn)入建立分析模型，準(zhǔn)確的人會(huì)得到輸出。但是，理想情況下，數(shù)據(jù)科學(xué)家應(yīng)該將更多的時(shí)間花在與數(shù)據(jù)交互，高級(jí)分析，培訓(xùn)和評(píng)估模型以及部署到生產(chǎn)上。

只有20％的時(shí)間進(jìn)入流程的主要部分。為了克服時(shí)間限制，組織需要利用用于數(shù)據(jù)工程，標(biāo)記和準(zhǔn)備的專家解決方案來減少在清理，擴(kuò)充，標(biāo)記和豐富數(shù)據(jù)上花費(fèi)的時(shí)間（取決于項(xiàng)目的復(fù)雜性）。這將我們帶入了“垃圾中的垃圾”概念，即輸出的質(zhì)量取決于輸入的質(zhì)量。數(shù)據(jù)提取數(shù)據(jù)工作流程的第一階段是提取過程，通常是從非結(jié)構(gòu)化源（如網(wǎng)頁，PDF文檔，假脫機(jī)文件，電子郵件等）中檢索數(shù)據(jù)。部署從網(wǎng)絡(luò)中提取信息的過程稱為網(wǎng)絡(luò)刮。

數(shù)據(jù)概要分析是檢查現(xiàn)有數(shù)據(jù)以提高質(zhì)量并通過格式帶來結(jié)構(gòu)的過程。這有助于評(píng)估質(zhì)量和對(duì)特定標(biāo)準(zhǔn)的一致性。當(dāng)數(shù)據(jù)集不平衡且配置不當(dāng)時(shí)，大多數(shù)機(jī)器學(xué)習(xí)模型將無法正常工作。數(shù)據(jù)清理可確保數(shù)據(jù)干凈，全面，無錯(cuò)誤，并提供準(zhǔn)確的信息，因?yàn)樗粌H可以檢測(cè)文本和數(shù)字的異常值，還可以檢測(cè)圖像中無關(guān)的像素。您可以消除偏見和過時(shí)的信息，以確保您的數(shù)據(jù)是干凈的。

數(shù)據(jù)轉(zhuǎn)換是對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換以使其均勻。地址，名稱和其他字段類型之類的數(shù)據(jù)以不同的格式表示，數(shù)據(jù)轉(zhuǎn)換有助于對(duì)此進(jìn)行標(biāo)準(zhǔn)化和規(guī)范化。數(shù)據(jù)匿名化是從數(shù)據(jù)集中刪除或加密個(gè)人信息以保護(hù)隱私的過程。數(shù)據(jù)擴(kuò)充用于使可用于訓(xùn)練模型的數(shù)據(jù)多樣化。在不提取新信息的情況下引入其他信息包括裁剪和填充以訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

數(shù)據(jù)采樣識(shí)別大型數(shù)據(jù)集中的代表性子集，以分析和處理數(shù)據(jù)。特征工程是將機(jī)器學(xué)習(xí)模型分類為好模型還是壞模型的主要決定因素。為了提高模型的準(zhǔn)確性，您可以將數(shù)據(jù)集合并以將其合并為一個(gè)。

（責(zé)任編輯：fqj）