Träningsdata

Træningsdata er de data, der anvendes til at træne maskinlæringsmodeller. Dataene fungerer som eksempler, som modellen lærer fra, og består typisk af input og tilhørende forventede outputs eller labels.

Typer af træningsdata inkluderer strukturerede data (tabeller), tekst, billeder, lyd og tidsserier. Data kan være mærkede (supervised) eller umærkede (unsupervised); der findes også for eksempel semi-overvågede og forstærkende læringsdata.

Kilder til træningsdata omfatter offentlige datasæt, virksomhedsdata, data fra apier, eller data indsamlet vha. crowdsourcing. Det er vigtigt at overholde licenser, kontrakter og personlige samtykker samt dataregler.

Kvalitet og repræsentativitet er nødvendig; mangler, fejlmærkninger og skævheder i data kan føre til skæv modellens resultater. Privatlivsbeskyttelse og anonymisering/pseudonymisering er ofte nødvendig, og personoplysninger bør behandles i overensstemmelse med gældende lovgivning.

Forberedelse af træningsdata indebærer rensning, normalisering, korrekt mærkning, og opdeling i trænings-, validerings- og testdatasæt. Dataforøgelse og syntetiske data kan bruges til at øge mængden og balancere klasser.

Etiske og juridiske aspekter omfatter ophavsret, databeskyttelse (f.eks. GDPR), og krav til dokumentation, sporbarhed og gennemsigtighed i træningsprocessen.

Praksis for træningsdata indebærer også versionering, datasætregistrering og klart definerede evalueringsmål for at sikre reproducerbarhed og ansvarlig brug.