第二节课：AI达人创造营：数据获取与处理

数据的获取途径

• Kaggle
• 阿里云天池
• DataFountain
• 科大讯飞
• COCO
• 百度AI studio
• Paper with code
• IEEE

数据处理与标注

图片：官方数据处理成VOC或者COCO

• 图片数据获取
• 图片数据清洗

1.   ----初步了解数据，筛选掉不合适的图片

• 图片数据标注
• 图片数据预处理data preprocessing。

1.   ----标准化 standardlization

    一 中心化 = 去均值 mean normallization

      一 将各个维度中心化到0

      一 目的是加快收敛速度,在某些激活函数上表现更好

     一 归一化 = 除以标准差

      一 将各个维度的方差标准化处于[-1,1]之间

      一 目的是提高收敛效率,统一不同输入范围的数据对于模型学习的影响,映射到激活函数有效梯度的值域

• 图片数据准备data preparation(训练+测试阶段)

1.   ----划分训练集，验证集，以及测试集

• 图片数据增强data augjmentation（训练阶段 ）

1.   ----CV常见的数据增强

       · 随机旋转

       · 随机水平或者重直翻转

       · 缩放

       · 剪裁

       · 平移

       · 调整亮度、对比度、饱和度、色差等等

       · 注入噪声

       · 基于生成对抗网络GAN做数搪增强AutoAugment等

纯数据处理完整流程

数据预处理与特征工程

1.感知数据

  ----初步了解数据

  ----记录和特征的数量特征的名称

  ----抽样了解记录中的数值特点描述性统计结果

  ----特征类型

  ----与相关知识领域数据结合，特征融合

2.数据清理

  ----转换数据类型

  ----处理缺失数据

  ----处理离群数据

3.特征变换

  ----特征数值化

  ----特征二值化

  ----OneHot编码

  ----特征离散化特征

  ----规范化

1.     区间变换
2.     标准化
3.     归一化

4.特征选择

  ----封装器法

1.     循序特征选择
2.     穷举特征选择
3.     递归特征选择

  ----过滤器法

  ----嵌入法

5.特征抽取

  ----无监督特征抽取

1.     主成分分析
2.     因子分析

  ----有监督特征抽取

以CV任务为例：

• 自定义数据集进行训练
• 常见标注工具：

1. Labelimg
2. Labelme
3. PPOCRLabel

数据预处理方法

• 图像的本质：位图与矢量图
• 数据增强（数据量少容易过拟合）

模型训练评估

• 对比试验
• 可视化
• 多次调参选择模型
• 评价模型