ट्रेनिंग डेटा मशीन लर्निंग मॉडल को सिखाता है। मॉडल उदाहरण देखता है और इनपुट और आउटपुट के बीच संबंध सीखता है। स्पैम फ़िल्टर के लिए, ट्रेनिंग डेटा स्पैम या नॉन-स्पैम के रूप में लेबल किए गए ईमेल होते हैं। इमेज क्लासिफायर के लिए, यह सामग्री के साथ लेबल की गई तस्वीरें होती हैं। भाषा मॉडल के लिए, यह बड़ी मात्रा में टेक्स्ट होता है। मॉडल अपने अनुमानों और सही लेबल के बीच अंतर को कम करने के लिए अपने आंतरिक मापदंडों को समायोजित करता है। ट्रेनिंग डेटा की गुणवत्ता और मात्रा यह निर्धारित करती है कि मॉडल कितना अच्छा प्रदर्शन करेगा।

प्रशिक्षण डेटा की कई आवश्यकताएँ होती हैं। यह वास्तविक दुनिया के डेटा का प्रतिनिधि होना चाहिए जिसका सामना मॉडल करेगा। केवल दिन के समय की तस्वीरों पर प्रशिक्षित मॉडल रात के समय की तस्वीरों पर विफल हो जाता है। इसे सटीक रूप से लेबल किया जाना चाहिए। गलत लेबल वाले उदाहरण मॉडल को गलत पैटर्न सिखाते हैं। डेटा में भिन्नता को समझने के लिए यह पर्याप्त बड़ा होना चाहिए। बहुत कम डेटा ओवरफिटिंग का कारण बनता है, जहाँ मॉडल सामान्य पैटर्न सीखने के बजाय प्रशिक्षण उदाहरणों को याद कर लेता है। यह पूर्वाग्रह से मुक्त होना चाहिए, अन्यथा मॉडल उस पूर्वाग्रह को सीखकर बढ़ा देगा। प्रशिक्षण डेटा गोपनीयता का भी विषय है। व्यक्तिगत डेटा पर प्रशिक्षित मॉडल इसे याद कर सकते हैं और पुनरुत्पादित कर सकते हैं। नियामक ढाँचे प्रशिक्षण डेटा स्रोतों और प्रसंस्करण के दस्तावेज़ीकरण की आवश्यकता को लगातार बढ़ा रहे हैं। डेटा केवल एक इनपुट नहीं है। यह एक दायित्व और एक संपत्ति है। मॉडल उतना ही अच्छा होता है जितना कि वह डेटा जिससे उसने सीखा है।

प्रशिक्षण डेटा आवश्यकताएँ

• प्रतिनिधि — वास्तविक दुनिया की भिन्नता को दर्शाता है
• लेबल किया गया — सटीक जमीनी सच्चाई
• पर्याप्त उदाहरण होने से सामान्यीकरण संभव है।
• निष्पक्ष — कोई व्यवस्थित पूर्वाग्रह नहीं
• प्रलेखित — उत्पत्ति और प्रसंस्करण ज्ञात है

प्रशिक्षण डेटा ही शिक्षक होता है। मॉडल डेटा से सीखता है। खराब डेटा से गलत सबक मिलते हैं।