Dataset – (Veri Kümesi)

Dataset (Veri Kümesi), yapay zekâ, makine öğrenmesi ve veri bilimi uygulamalarında analiz edilmek, model eğitmek, doğrulamak veya test etmek amacıyla bir araya getirilen düzenli veri topluluğunu ifade eder. Bir veri kümesi; sayısal değerler, metinler, görüntüler, ses kayıtları, videolar, sensör verileri veya bunların farklı kombinasyonlarından oluşabilir. Yapay zekâ sistemlerinin başarısı büyük ölçüde kullanılan veri kümesinin kalitesine, çeşitliliğine, doğruluğuna ve temsil gücüne bağlıdır. Bu nedenle veri kümesi, yapay zekâ modellerinin temel yapı taşlarından biri olarak kabul edilmektedir.

Bir veri kümesi genellikle örnekler (instances veya samples) ve özelliklerden (features veya variables) oluşur. Her satır bir gözlemi veya veri örneğini temsil ederken, her sütun ilgili örneğin özelliklerini ifade eder. Denetimli öğrenme (supervised learning) problemlerinde veri kümesinde ayrıca doğru çıktıyı gösteren etiket (label) veya hedef değişken (target variable) bulunur. Model geliştirme sürecinde veri kümesi çoğunlukla eğitim (training dataset), doğrulama (validation dataset) ve test (test dataset) olmak üzere üç bölüme ayrılır. Eğitim veri kümesi modelin öğrenmesini sağlarken, doğrulama veri kümesi hiperparametre optimizasyonunda kullanılır ve test veri kümesi modelin daha önce görmediği veriler üzerindeki gerçek performansını değerlendirmek amacıyla ayrılır.

Veri kümeleri yapılandırılmış (structured), yarı yapılandırılmış (semi-structured) veya yapılandırılmamış (unstructured) biçimde olabilir. Ayrıca görüntü sınıflandırma, doğal dil işleme, konuşma tanıma, öneri sistemleri ve büyük dil modelleri gibi farklı uygulama alanları için özel olarak hazırlanmış veri kümeleri bulunmaktadır. ImageNet, MNIST, CIFAR-10, COCO, Common Crawl ve Wikipedia gibi veri kümeleri, yapay zekâ araştırmalarında yaygın olarak kullanılan örnekler arasındadır. Bununla birlikte veri kümesinin eksik, dengesiz, güncelliğini yitirmiş veya önyargılı (biased) olması, model performansını ve adaletini olumsuz etkileyebilir. Bu nedenle veri temizleme (data cleaning), veri etiketleme (data labeling), veri artırma (data augmentation), veri yönetişimi (data governance) ve veri gizliliği gibi süreçler büyük önem taşımaktadır. Günümüzde yüksek kaliteli veri kümeleri, güvenilir ve başarılı yapay zekâ sistemlerinin geliştirilmesinde en kritik kaynaklardan biri olarak değerlendirilmektedir.