Génération pratique de données synthétiques

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com Construire et tester des modèles d'apprentissage automatique nécessite d'avoir accès à des données nombreuses et variées. Mais où trouver des ensembles de données utilisables sans se heurter à des problèmes de confidentialité ? Ce livre pratique présente des techniques pour générer des données synthétiques - de fausses données générées à partir de données réelles - afin que tu puisses effectuer des analyses secondaires pour faire des recherches, comprendre les comportements des clients, développer de nouveaux produits ou générer de nouveaux revenus. Les scientifiques des données apprendront comment la génération de données synthétiques permet de rendre ces données largement disponibles à des fins secondaires tout en répondant à de nombreuses préoccupations en matière de protection de la vie privée. Les analystes apprendront les principes et les étapes de la génération de données synthétiques à partir d'ensembles de données réels. Enfin, les chefs d'entreprise verront comment les données synthétiques peuvent contribuer à accélérer la mise au point d'un produit ou d'une solution. Ce livre décrit : Les étapes pour générer des données synthétiques à l'aide de distributions normales multivariées. Les méthodes d'ajustement des distributions couvrant différentes mesures de qualité d'ajustement. Comment reproduire la structure simple des données originales ? Une approche de la modélisation de la structure des données pour prendre en compte les relations complexes Plusieurs approches et mesures que tu peux utiliser pour évaluer l'utilité des données. Comment les analyses effectuées sur des données réelles peuvent être reproduites avec des données synthétiques Implications des données synthétiques sur la vie privée et méthodes d'évaluation de la divulgation de l'identité