Ang pagproseso ng mga impormasyon bago ang pagproseso ay isang mahalagang hakbang sa paggawa ng mabisang mga malalim na mga network ng neuron. Ang mga impormasyong wasto ang pagkahanda ay maaaring magpasulong sa pagiging tumpak at sa kahusayan ng pagsasanay. Ang artikulong ito ay bumabalangkas ng praktikal na mga pamamaraan na ginagamit upang iproseso ang mga datos para sa malalim na mga aplikasyon sa pagkatuto.

Paglilinis ng Data

Ang paglilinis ng datos ay nagsasangkot ng pag-aalis o pagtutuwid ng mga hindi tumpak, pabagu-bago, o hindi kumpletong mga puntong datos.Ang hakbang na ito ay tumitiyak na ang modelo ay natututo mula sa maaasahang impormasyon. Kabilang sa mga pamamaraan ang paghawak ng nawawalang mga halaga, pag-aalis ng mga kopya, at pagtutuwid ng mga pagkakamali.

Normalisasyon at Pagiging Pamantayan

Ang normalisasyon ay nagreresulta sa data sa isang espesipikong saklaw, kadalasan [0, 1], na tumutulong sa mas mabilis na pag-iisa sa panahon ng pagsasanay. ang komputasyon ay binabago ang data upang magkaroon ng isang mean ng sero at isang pamantayang paglihis ng isa. ang parehong mga paraan ay nagpapabuti ng modelong katatagan at pagsasagawa.

Inhinyeriya ng Katangian

Ang paglikha ng mga makabuluhang katangian mula sa mga hilaw na datos ay maaaring magpataas ng pag-aaral ng modelo. Ang mga pamamaraan ay kinabibilangan ng mga ekwasyong kategorikal, pagkuha ng mga katangiang petsa/panahon, at paglikha ng mga terminong interaksiyon.Ang pagpili ng interaksiyon ay nakakabawas din sa dimensiyonalidad at ingay.

Pagpapalitan ng mga Data

Ang karaniwang mga paraan ay ang pag - ikot, pag - ikot, o pag - aani ng mga larawan, at pagdaragdag ng ingay sa mga data point.