В прошлом уроке вы узнали, что модель учится на примерах, а не получает готовые точные правила. Этот урок — как раз об этих примерах. Каждый пример — это небольшой набор фактов, а множество примеров, сохранённых организованным образом, называется набором данных (dataset). Модель снова и снова читает набор данных, замечает закономерности и превращает их в способность делать прогнозы. Если примеры верные, их много и они справедливы, модель может выучить что-то истинное о мире. Если же примеры ошибочны, их слишком мало или они перекошены, модель послушно выучит неправильное. Качество данных — это не скучная мелочь, а самый главный фактор того, сработает ли проект машинного обучения.

Цели обучения — после этого урока вы сможете:

• Описать набор данных как таблицу из строк (примеров) и столбцов (признаков) и указать на столбец с меткой.
• Назвать основные типы признаков — числовые, категориальные, порядковые, текстовые и даты — и привести пример каждого.
• Перечислить, что делает данные хорошими, и пять типичных проблем, которые ломают модели.
• Объяснить принцип «мусор на входе — мусор на выходе» на реальном разобранном примере.
• Сказать, откуда берутся данные и какая ответственность связана с их сбором.
• Прочитать и осмотреть CSV-файл на Python с помощью нескольких строк библиотеки pandas.