這是一個系列文章，從4個角度來評估一個問題：「我的業務要不要用 AI ？能不能用 AI？」
數據
準備好數據以進行建模：特徵工程，特徵選擇，降維（第二部分）
機器學習算法也無法在大量不需要的雜項數據上產生預期的結果。因此，讓我們深入探討所有用於優化數據的選項。
為建模做好數據準備：特徵工程，特徵選擇，降維（第1部分）
機器學習算法也無法在大量不需要的雜項數據上產生預期的結果。因此，讓我們深入探討所有用於優化數據的選項。
我的業務要不要用人工智能？引入AI前你需要評估的（二）
這是一個系列文章，從各個角度來評估一個問題：「我的業務要不要用 AI ？能不能用 AI？」本期評估角度——數據。
AI產品經理如何為機器學習創建數據策略
啟用機器學習（ML）產品具有持續的收集，清理和分析數據循環，以便輸入ML模型。這種重複循環是ML算法的動力，並使ML產品能夠為用戶提供有用的見解。
1000倍提速！伯克利提出新的數據增強策略訓練方法，更好更快擴充數據
來自伯克利的研究人員們提出了PBA(Population Based Augmentation)的方法來獲取更為有效的數據增強策略，並在實現同樣效果下實現了1000x的加速。
數據收集六步曲，打好機器學習模型基礎
減少數據準備所需要的時間變得越來越重要，這樣能夠留下更多時間進行模型測試、調試和優化，創造更大的價值。
小i機械人收集數據和處理數據的方式
小i機械人是如何積累數據的？數據收集之後怎麼處理？