似乎许多刚接触ML的人经常纠结于这些概念，而不是如何以及在哪里应用它们。更准确地说，他们很难在100篇研究论文或博客中找到相关的好数据。那么，为您的ML项目找到好的原始数据的秘诀是什么呢?

你需要真实的数据吗?

你首先要问自己的是真实数据有多重要?你是想回答一个重要的问题，还是仅仅演示一个算法或概念证明。如果您正在执行后者，则可以生成自己的数据。生成增加或模拟真实数据的数据也是另一种选择，但这有时需要一个有效的ML算法来预测这些值。当然，这可能是一个较小的算法，或者只是随机选择的值。具体的方法将根据您的情况而有所不同。

你能模拟数据吗?

如果你被迫使用或坚持使用真实数据，另一个生成选项是使用生成对抗网络(简称GAN)。GAN是深度学习的一个子集，它允许你使用2个神经网络，基于竞争性的对抗性方法生成新的数据。一个网络创建模拟数据，另一个网络评估它是否真实。当第一个网络学会如何欺骗第二个网络时，就有了生成可信真实数据的方法。该方法对图像识别和其他图像数据集的扩充有一定的参考价值。如果您熟悉神经网络和深度学习，这是一种潜在的选择，但您可能希望尝试更简单的方法。

你能收集更多的数据吗?

另一个在真实数据集上构建的选项是走出去收集更多的数据。这可能需要你收集网站或连接到其他公共存储库。幸运的是，这里有很多工具，如果您需要获取站点或存储库，那么Python Scrapy库是一个很好的选择。根据来源，这可能是您收集或使用数据的一个灰色区域，因此要负责并了解任何机密性或隐私问题。但是，如果您的数据是私有的，那么轻松收集数据可能不是一种好选择。这意味着你必须转向另一种方法。

有数据模拟吗？

找到类似或相关但有更多或更好数据的问题。也许您正在为您的城市开发流量应用程序，但没有已建立的数据集。另一种方法是查看其他类似城市的数据模拟。在某些情况下，这种关系可能看起来并不那么明显，但有很多类似物与一切相关。在首次建立POC或决定投资是否确实值得时，建立基于类似类似物的ML应用是另一种选择。

强化学习是一种选择吗？

最后一个选择是建立一个无监督的训练系统，如强化学习。高级RL和其他无监督系统能够探索仅具有部分视图的环境或数据集。他们还可以探索新数据并不断自学。具有大状态或开放状态的RL系统的训练时间可能会长得多，但这些系统将继续学习和训练自己。现在，实施RL无监督系统将是最具挑战性的，但肯定会带来最大的好处和扩展。有一些很好的资源可以教你RL，但是专门用于数据科学的实用例子是有限的。

简单第一......

显然，选择最适合您和/或您的团队的选项。在构建像GAN或RL之类的更复杂的东西之前，通常使用最简单的选项来使整个系统正常工作。永远不要忽视随机数据的使用。测试随机数据集可以发现一些明显的数据或算法问题，并帮助您顺利解决您选择的ML问题。