训练数据与算法本身一样关系到数据项目的成败，因为大多数AI系统的失败都与训练数据有关。尽管训练数据是AI和机器学习成功的基础，但却很少有全面的资源能帮助你掌握这一过程。
在这本实践指南中，作者Anthony Sarkis（Diffgram AI数据训练软件的首席工程师）向技术专业人员、管理人员、主题专家展示了如何使用和扩展训练数据，同时阐明了监督机器的人性化一面。工程领导者、数据工程师、数据科学专业人士都将深入了解使用训练数据取得成功所需的概念、工具和流程。

Preface
1.Training Data Introduction
2.Getting Up and Running
3.Schema
4.Data Engineering
5.Workflow
6.Theories, Concepts, and Maintenance
7.AI Transformation and Use Cases
8.Automation
9.Case Studies and Stories

通过本书，你将学习如何：
·有效地使用包括模式、原始数据、注释在内的训练数据；
·改造你的工作、团队或组织，使其更加以AI/ML数据为中心；
·向其他员工、团队成员、利益相关者清晰地解释训练数据概念；
·为生产级AI应用设计、部署、交付训练数据；
·识别并纠正新的基于训练数据的故障模式，如数据偏差；
·自信地使用自动化技术来更有效地创建训练数据；
·成功维护、操作、改进训练数据记录系统。

“本书360度地全面介绍了如何生成高质量的
训练数据并启动新项目。”
——Anirudh Koul
Pinterest数据科学及机器学习主管
“做好机器学习需要人们学习训练数据。这本
书价值连城。”
——Neal Linson
InCite Logix和LLM Superstar
首席数据和分析官