¿Cuáles son las mejores fuentes de datos para su aprendizaje automático?

1 Relevancia de los datos

El primer y más obvio criterio es la relevancia de los datos. Desea utilizar datos relacionados con el dominio del problema, la variable de destino y las características. La relevancia de los datos significa que los datos reflejan la realidad y el contexto de su objetivo de aprendizaje automático, y que son representativos de la población o muestra a la que desea generalizar. Por ejemplo, si desea crear un modelo de aprendizaje automático para predecir la pérdida de clientes, necesita datos que contengan información sobre el comportamiento, las preferencias, las transacciones, los comentarios y la retención de los clientes.

2 Disponibilidad de datos

El segundo criterio es la disponibilidad de datos. Desea utilizar datos que sean accesibles, confiables y asequibles. La disponibilidad de datos significa que puede obtener los datos de una fuente confiable, que los datos se actualizan y mantienen regularmente, y que los datos no violan ninguna restricción legal o ética. Por ejemplo, si desea crear un modelo de aprendizaje automático para detectar fraudes, necesita datos que sean seguros, conformes y oportunos.

4 Diversidad de datos

El cuarto criterio es la diversidad de datos. Desea utilizar datos variados, equilibrados y completos. La diversidad de datos significa que los datos cubren una amplia gama de escenarios, casos y resultados, y que no favorecen ni excluyen a ningún grupo o categoría. La diversidad de datos también significa que los datos son suficientes y escalables para su tarea de aprendizaje automático y la complejidad del modelo. Por ejemplo, si desea crear un modelo de aprendizaje automático para generar lenguaje natural, necesita datos que sean ricos, diversos y contextuales.

6 Ética de datos

El sexto y último criterio es la ética de los datos. Desea utilizar datos que sean justos, transparentes y responsables. La ética de los datos significa que los datos respetan la privacidad, el consentimiento y los derechos de los interesados y propietarios, y que no dañan ni discriminan a ningún individuo o grupo. La ética de los datos también significa que los datos siguen los principios y valores de su organización y las partes interesadas, y que se adhieren a las mejores prácticas y directrices de su industria y dominio. Por ejemplo, si desea crear un modelo de aprendizaje automático para diagnosticar enfermedades, necesita datos que sean éticos, confiables y responsables.