Veri Etiketleme

Tanım

Veri etiketleme, makine öğrenimi modellerinin öğrenebilmesi için ham verilere kategori, etiket veya öznitelik atama sürecidir. Denetimli öğrenmenin merkezinde yer alır.

Amaç

Amaç, ham veri kümelerini eğitim ve değerlendirme için kullanılabilir hale getirmektir. Etiketler, öğrenme sırasında modellerin ihtiyaç duyduğu "cevapları" sağlar.

Önem

• Doğru denetlenen ML modelleri oluşturmak için kritiktir.
• Kötü etiketleme sistem güvenilirliğini azaltır.
• Çoğunlukla emek yoğun ve masraflıdır.
• Tıp veya hukuk gibi alanlarda alan uzmanlığı gerektirir.

Nasıl Rezervasyon Yaparım ?

1. Görevleri tanımlayın ve şemayı etiketleyin.
2. Ham verileri birimlere (resimler, cümleler, ses klipleri) ayırın.
3. Etiketleri manuel olarak veya yarı otomatik araçlarla atayın.
4. Kalite kontrollerini ve noterler arası uyum testlerini gerçekleştirin.
5. Eğitim için etiketli veri kümelerini dışa aktarın.

Örnekler (Gerçek Dünya)

• Shaip: Otonom araçlar için veri etiketleme.
• Kaggle veri kümeleri: ML yarışmaları için etiketlendi.
• Radyoloji görüntü veri kümeleri: tıp uzmanları tarafından etiketlenmiştir.

Referanslar / İlave Okumalar

• Yapay Zeka için Veri Açıklaması — NIST.
• Veri Kümelerinin Açıklaması ve Etiketlenmesi — IEEE Veri Mühendisliği İşlemleri.
• ISO/IEC 24617: Anlamsal Açıklama Çerçevesi — ISO.
• Veri Etiketleme Nedir? Yeni Başlayanların Bilmesi Gereken Her Şey – Shaip