Communications Mining
Neuestes
False
- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Entitäten
- Bezeichnungen (Vorhersagen, Konfidenzniveaus, Hierarchie usw.)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Überprüfte und nicht überprüfte Nachrichten
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Verwaltung
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen Sie eine Datenquelle in der GUI
- Hochladen einer CSV-Datei in eine Quelle
- Ein neues Dataset erstellen
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern Sie die Einstellungen eines Datasets
- Löschen Sie Nachrichten über die Benutzeroberfläche
- Löschen Sie ein Dataset
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Bezeichnungen, Entitäten und Metadaten
- Bezeichnungshierarchie und bewährte Methode
- Definieren Ihrer Taxonomieziele
- Analyse- vs. Automatisierungsanwendungsfälle
- Konvertieren Ihrer Ziele in Bezeichnungen
- Erstellen Ihrer Taxonomiestruktur
- Best Practices für den Taxonomieentwurf
- Ihre Taxonomie wird importiert
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung (NEU)
- Verstehen des Status Ihres Datasets
- Best Practice für Modelltraining und Beschriftung
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Einführung zu „Verfeinern“
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- Wie funktioniert die Validierung?
- Verstehen und Verbessern der Modellleistung
- Warum kann eine Bezeichnung eine geringe durchschnittliche Genauigkeit haben?
- Training mit „Bezeichnung überprüfen“ und „Bezeichnung fehlen“
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Ausgleichs und Verwendung von „Neuausgleich“
- Wann das Training Ihres Modells beendet werden soll
- Definieren und Einrichten Ihrer Entitäten
- Grundlegendes zu Entitäten
- Welche vortrainierten Entitäten sind verfügbar?
- Aktivieren, Deaktivieren, Aktualisieren und Erstellen von Entitäten
- Entitätsfilterung
- Überprüfen und Anwenden von Entitäten
- Validierung für Entitäten
- Verbesserung der Entitätsleistung
- Erstellen von benutzerdefinierten Regex-Entitäten
- Verwenden von Analytics & Monitoring
- Automatisierungs- und Communications Mining
- Häufige Fragen und mehr
Löschen Sie ein Dataset
Communications Mining-Benutzerhandbuch
Letzte Aktualisierung 18. Apr. 2024
Löschen Sie ein Dataset
Benutzerberechtigungen erforderlich: „Datasets-Administrator“.
Genau wie bei dem Aktualisieren eines Datasets haben Sie zwei Optionen, um ein Dataset endgültig zu löschen:
1. Über die Dataset-Karte auf der Seite Datasets
- Navigieren Sie zur Hauptseite der Datasets (Sie können hier navigieren, indem Sie oben auf Ihrer Seite auf das Logo von UiPath Communications Mining klicken)
- Klicken Sie auf das Papierkorbsymbol in der Ecke der einzelnen Dataset-Karte
- Geben Sie den Namen des Datasets in die Leiste ein, die unter den Details des Datasets angezeigt wird
- Klicken Sie zum Bestätigen auf „Dataset löschen“.
- Hinweis: Sobald ein Dataset gelöscht wurde, kann diese Aktion nicht mehr rückgängig gemacht werden
Dataset-Karte mit Löschoption
2. Über die Seite mit den einzelnen Dataset-Einstellungen
- Wenn Sie auf ein einzelnes Dataset geklickt haben, navigieren Sie über die obere Navigationsleiste zur Seite „Einstellungen“. Auf der Registerkarte „Allgemein“ befindet sich unten auf der Seite die Schaltfläche „Dataset löschen“.
- Dadurch wird das Modal „Dataset löschen“ angezeigt
- Geben Sie den vollständigen Namen des Datasets ein und klicken Sie zum Bestätigen auf „Dataset löschen“.
- Hinweis: Sobald ein Dataset gelöscht wurde, kann diese Aktion nicht mehr rückgängig gemacht werden
Modales Element zum Löschen des Datasets