AI Sözlük
Dataset (Veri Seti) Nedir?
Veri seti, girdi (ve varsa etiket) örneklerinin düzenli derlemesidir; eğitim, doğrulama ve test için ayrılır.
Tanım
Dataset olmadan öğrenen sistem olmaz. Eğitim seti öğrenir, validation hiperparametre ve early stopping için kullanılır, test nihai genellemeyi ölçer. Sızıntı (leakage) ve contamination sonuçları şişirir. LLM çağında web-scale veri setleri lisans, toksisite, önyargı ve kalite filtreleri ister. “Daha çok veri” her zaman iyi değildir; çeşitlilik ve temizlik şarttır. Üretimde veri kayması, dünün setinin bugünü temsil etmemesidir.
Datasheet for Datasets gibi dokümantasyon pratikleri şeffaflığı artırır.
Sentetik veri faydalı olabilir ama öğretmen hatalarını çoğaltabilir.
Sık sorulanlar
Train/val/test neden ayrılır?
Ezberi yakalamak ve genellemeyi dürüst ölçmek için.
Contamination nedir?
Test örneklerinin eğitime sızması; skoru yapay şişirir.