Eğitim verileri, bir makine öğrenme modelini eğitir. Model örnekleri görür ve girdiler ile çıktılar arasındaki ilişkiyi öğrenir. Bir spam filtresi için eğitim verileri, spam veya spam olmayan olarak etiketlenmiş e-postalardır. Bir görüntü sınıflandırıcı için, içerikleriyle etiketlenmiş fotoğraflardır. Bir dil modeli için ise, çok miktarda metindir. Model, tahminleri ile doğru etiketler arasındaki farkı en aza indirmek için iç parametrelerini ayarlar. Eğitim verilerinin kalitesi ve miktarı, modelin ne kadar iyi performans göstereceğini belirler.

Eğitim verilerinin çeşitli gereksinimleri vardır. Modelin karşılaşacağı gerçek dünya verilerini temsil etmelidir. Sadece gündüz fotoğrafları üzerinde eğitilmiş bir model, gece fotoğraflarında başarısız olur. Doğru şekilde etiketlenmelidir. Yanlış etiketlenmiş örnekler, modele yanlış kalıplar öğretir. Verilerdeki varyasyonu yakalayacak kadar büyük olmalıdır. Çok az veri, modelin genel kalıpları öğrenmek yerine eğitim örneklerini ezberlediği aşırı uyumlanmaya yol açar. Önyargıdan arındırılmış olmalıdır, aksi takdirde model bu önyargıyı öğrenir ve güçlendirir. Eğitim verileri aynı zamanda bir gizlilik endişesidir. Kişisel veriler üzerinde eğitilmiş modeller, bu verileri ezberleyebilir ve yeniden üretebilir. Düzenleyici çerçeveler, eğitim verisi kaynaklarının ve işlenmesinin belgelendirilmesini giderek daha fazla gerektirmektedir. Veri sadece bir girdi değildir. Hem bir yükümlülük hem de bir varlıktır. Model, ancak öğrendiği veriler kadar iyidir.

Eğitim verisi gereksinimleri

• Temsili — gerçek dünyadaki varyasyonu yansıtır
• Etiketlenmiş — doğru temel gerçek
• Geniş — genelleme yapmaya yetecek kadar örnek
• Tarafsız — sistematik bir çarpıtma yok
• Belgelenmiş — menşei ve işleme süreci biliniyor.

Eğitim verileri öğretmendir. Model, verilerin gösterdiklerini öğrenir. Kötü veriler kötü dersler verir.