ML机器学习：了解数据处理

数据处理是将数据从给定格式转换为更加有用和期望的格式的任务, 即使其更有意义和更有意义。使用机器学习算法, 数学建模和统计知识, 可以使整个过程自动化。根据我们正在执行的任务和机器的要求, 此完整过程的输出可以采用任何所需的形式, 例如图形, 视频, 图表, 表格, 图像等。这似乎很简单, 但是当涉及到像Twitter, Facebook, Paliament, UNESCO和卫生部门组织这样的大型组织时, 整个过程需要以结构化的方式进行。因此, 要执行的步骤如下：

• 集合：
  开始使用ML时, 最关键的步骤是拥有高​​质量和准确性的数据。可以从任何经过身份验证的来源收集数据, 例如data.gov.in, 卡格勒orUCI数据集存储库例如, 在准备竞争性考试时, 学生将从他们可以访问的最佳学习材料中学习, 从而学习到最好的方法以获得最佳结果。同样, 高质量, 准确的数据将使模型的学习过程变得更加轻松, 更好, 并且在测试时, 该模型将产生最先进的结果。
  收集数据会消耗大量的资金, 时间和资源。组织或研究人员必须决定执行任务或研究所需的数据类型。
  示例：使用面部表情识别器, 需要大量具有多种人类表情的图像。良好的数据可确保模型的结果有效并值得信赖。
• 准备：
  收集的数据可以是原始格式, 不能直接输入到计算机中。因此, 这是一个从不同来源收集数据集, 分析这些数据集, 然后构建新的数据集以进行进一步处理和探索的过程。可以手动或从自动方法进行此准备。数据也可以以数字形式准备, 这也可以加快模型的学习速度。
  例子：图像可以转换为N X N尺寸的矩阵, 每个像元的值将指示图像像素。
• 输入：
  现在, 准备好的数据可以采用机器无法读取的形式, 因此要将这些数据转换为可读形式, 需要一些转换算法。为了执行该任务, 需要高计算量和准确性。示例：可以通过MNIST Digit数据(图像), Twitter评论, 音频文件, 视频剪辑等来源收集数据。
• 加工方式：
  在此阶段, 需要算法和ML技术来以准确和最佳计算的方式执行大量数据上提供的指令。
• 输出：
  在此阶段, 结果由机器以有意义的方式获得, 用户可以轻松推断出结果。输出可以是报告, 图形, 视频等形式
• 储存方式：
  这是最后一步, 其中将获取的输出和数据模型数据以及所有有用的信息保存起来, 以备将来使用。