AIデータ
人工知能プロジェクトの最大80％は、データの収集に関するものです。
- どのようなデータが必要ですか？
- どのようなデータが利用できますか？
- データの選び方は？
- データを収集する方法は？
- データをクリーンアップする方法は？
- データを準備する方法は？
- データの使い方は？
データとは何ですか？
データにはさまざまなものがあります。人工知能では、それは事実の集まりでなければなりません：
| タイプ | 例 |
|---|---|
| 数字 | 価格。日付。 |
| 測定 | サイズ。高さ。重さ。 |
| 言葉 | 名前と場所。 |
| 観察 | 車を数える。 |
| 説明 | 寒いです。 |
インテリジェンスにはデータが必要
ヒューマンインテリジェンスにはデータが必要です。
不動産ブローカーは、価格を見積もるために売却された住宅に関するデータを必要としています。
人工知能にはデータが必要です：
コンピュータプログラムには、価格を見積もるためのデータも必要です。
データの保存
収集する最も一般的なデータは、数値と測定値です。
多くの場合、データは値間の関係を表す配列に格納されます。
この表には、住宅価格とサイズが含まれています。
| 価格 | 7 | 8 | 8 | 9 | 9 | 9 | 10 | 11 | 14 | 14 | 15 |
| サイズ | 50 | 60 | 70 | 80 | 90 | 100 | 110 | 120 | 130 | 140 | 150 |
定量的vs.定性的
定量的データは数値です：
- 55台
- 15メートル
- 35人の子供
定性的データは記述的です：
- 寒いです
- 長いです
- 楽しかった
国勢調査またはサンプリング
国勢調査とは、グループのすべてのメンバーのデータを収集することです。
サンプルは、グループの一部のメンバーのデータを収集する場合です。
アメリカ人が何人タバコを吸っているのか知りたい場合は、米国内のすべての人に尋ねるか（国勢調査）、10000人に尋ねることができます（サンプル）。
国勢調査は正確ですが、実行するのは困難です。サンプルは不正確ですが、実行する方が簡単です。
サンプリング条件
人口とは、情報を収集したい個人（オブジェクト）のグループです。
国勢調査は、人口のすべての個人に関する情報です。
サンプルは、母集団の一部に関する情報です（すべてを表すため）。
ランダムサンプル
サンプルが母集団を表すためには、ランダムに収集する必要があります。
ランダムサンプルは、母集団のすべてのメンバーがサンプルに現れる可能性が等しいサンプルです。
サンプリングバイアス
サンプリングバイアス（エラー）は、一部の個人がサンプルに含まれる可能性が低い（または多い）ような方法でサンプルが収集された場合に発生します。