趋近智
机器学习合成数据介绍
章节 1: 了解合成数据
什么是合成数据？
为何生成人工数据？
真实数据与合成数据
常用术语
潜在优势
一般限制
章节 2: 数据生成的基本方法
数据生成模型的构想
从统计分布生成数据
基于规则的系统简介
生成简单的数值数据
生成简单分类数据
动手实践：创建基本合成数据
章节 3: 生成合成表格数据
理解表格数据结构
行采样方法
独立列值生成
维护列的基本关联性
数据匿名化方法概述
动手实践：生成一个合成表格
章节 4: 介绍合成图像数据
图像数据为何需要合成？
图像的基本属性：像素与色彩
用简单形状和图案制作图像
施加噪声与简单数据增强
简单场景的渲染入门
生成真实感图像的困难
动手实践：生成简单的合成图像
章节 5: 评估合成数据质量
评估的重要性
视觉检查方法
基本统计比较
比较数据分布
保真度与实用性的理念
章节 6: 工具和库概览
软件在数据生成中的作用
用于基本数据操作的库 (NumPy, Pandas)
Faker 库简介
简单图像处理库 (Pillow, Scikit-image)
查找生成工具
施加噪声与简单数据增强
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 这本基础教科书包含解释数据增强技术作为深度学习中正则化和改进模型泛化方法的部分。
- A Survey on Data Augmentation for Deep Learning: From Basic Transformations to Meta-Learning, Conner Shorten and Taghi M. Khoshgoftaar, 2019 Journal of Artificial Intelligence Research, Vol. 66 (AI Access Foundation) DOI: 10.1613/jair.11652 - 这篇全面的综述回顾了各种数据增强技术，包括本节中讨论的基本转换（噪声、几何、颜色），为它们在深度学习中的应用提供了广泛的概述。
- Albumentations Documentation, Albumentations Team, Ongoing - 这是一个广泛使用的图像增强库的官方文档，详细介绍了各种噪声类型、几何和颜色变换以及实用示例。
- torchvision.transforms - PyTorch Documentation, PyTorch Developers, Ongoing - PyTorch 图像转换模块的官方文档，提供了用于深度学习任务的常见增强（如调整大小、裁剪、旋转和噪声）的定义和用法。