Veri seti, belirli bir amaç için toplanmış ve düzenlenmiş kayıt koleksiyonudur. Makine öğreniminde bir veri setinden söz ederken kastedilen şey genelde tablo, metin, görüntü ya da ses örneklerinden oluşan ve modelin üzerinde çalışacağı yapılandırılmış bütün.
Pratikte tek bir küme olarak kalmıyor. Aynı veri eğitim, doğrulama ve test olmak üzere üçe bölünüyor. Bölmenin nasıl yapıldığı sonucun güvenilirliğini doğrudan belirliyor. Zaman serisi verisinde bölme tarihe göre yapılıyor, aynı kullanıcıya ait kayıtlar varsa bölme kullanıcı düzeyinde yapılıyor, yoksa aynı kişinin verisi hem eğitimde hem testte bulunuyor ve skor şişiyor.
Bir veri setinin taşıdığı bilgiler de kayıt altına alınıyor. Kaynağı, toplanma tarihi, lisansı, hangi alanların kişisel veri sayıldığı ve bilinen boşlukları belgeleniyor. Bu belge olmadan veri seti birkaç ay sonra kimsenin nereden geldiğini hatırlamadığı bir klasöre dönüşüyor.
Somut bir örnek: bir perakende zinciri talep tahmini için üç yıllık satış verisini birleştiriyor. Küme içinde pandemi dönemi de var ve o dönemin satış deseni tamamen farklı. Model bu bölümü ayırmadan eğitildiğinde normal dönem tahminleri bozuluyor. Veri setinin içeriğini bilmek, modeli kurmadan önceki adım oluyor.
Hazır veri setleri işi hızlandırıyor ama lisans ve kapsam kontrolü gerektiriyor. Türkçe için hazır küme sayısı sınırlı olduğundan çoğu proje kendi verisini toplamak zorunda kalıyor.
