Communications Mining
Mais recente
falso
- Introdução
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- General fields (previously Entities)
- Rótulos (previsões, níveis de confiança, hierarquia etc.)
- Modelos
- Transmissões
- Classificação do Modelo
- Projetos
- Precisão
- Lembrar
- Mensagens revisadas e não revisadas
- Fontes
- Taxonomias
- Treinamento
- Previsões positivos e negativos verdadeiros e falsos
- Validação
- Mensagens
- Administração
- Gerencie origens e conjuntos de dados
- Entender a estrutura de dados e permissões
- Crie uma origem de dados na GUI
- Carregar um arquivo CSV para uma origem
- Criar um conjunto de dados
- Origens e conjuntos de dados multilíngues
- Habilitando o sentimento em um conjunto de dados
- Corrigir configurações de conjunto de dados
- Excluir mensagens por meio da interface do usuário
- Excluir um conjunto de dados
- Exportar um conjunto de dados
- Usando integrações do Exchange
- Preparando dados para carregamento de .CSV
- Treinamento e manutenção do modelo
- Understanding labels, general fields and metadata
- Hierarquia de rótulo e práticas recomendadas
- Definição dos seus objetivos de taxonomia
- Casos de uso de análise versus automação
- Transformando seus objetivos em rótulos
- Criação da sua estrutura taxonômica
- Práticas recomendadas de design de taxonomia
- Importando sua taxonomia
- Visão geral do processo de treinamento do modelo
- Anotação Generativa (Novo)
- Entendendo o status do seu conjunto de dados
- Treinamento de modelos e práticas recomendadas de anotação
- Treinamento com análise de sentimento de rótulo habilitada
- Treinamento
- Introdução ao Refine
- Precisão e recall explicados
- Precisão e recall
- Como funciona a Validação?
- Compreender e melhorar o desempenho do modelo
- Por que um rótulo pode ter uma precisão média baixa?
- Treinamento usando Check label e Perda de rótulo
- Treinamento usando Ensinar rótulo (Refinar)
- Treinamento usando a Pesquisa (Refinamento)
- Noções Básicas e Aumentando a Cobertura
- Melhorando o balanceamento e usando o Rebalanceamento
- Quando parar de treinar seu modelo
- Defining and setting up your general fields
- Understanding general fields
- Which pre-trained general fields are available?
- Enabling, disabling, updating and creating general fields
- General field filtering
- Reviewing and applying general fields
- Validation for general fields
- Improving general field performance
- Building custom regex general fields
- Extração generativa
- Uso de análise e monitoramento
- Automations e Communications Mining
- Perguntas frequentes e mais
Guia do usuário do Communications Mining
Last updated 2 de jul de 2024
Conjuntos de dados
Um "conjunto de dados" é composto de um grupo definido pelo usuário de origens semelhantes e terá um modelo associado a ele que foi treinado nos dados desse conjunto de dados.
O modelo encapsula o propósito desse conjunto de dados, ou seja, o que o usuário está tentando entender de seus dados?
Por exemplo, um conjunto de dados pode incluir todas as conversas de vendas dentro de uma organização, em várias fontes e o modelo pode ter sido treinado pelo usuário para monitorar a experiência do cliente dessas conversas.
Você pode visualizar uma lista de todos os conjuntos de dados em seu projeto na página Conjuntos de dados .
Um exemplo de cartão de conjunto de dados da página Conjuntos de dados
Observação: você só deve adicionar várias fontes de dados a um conjunto de dados se elas forem do tipo semelhante e compartilharem uma finalidade semelhante (por exemplo, capturar feedback do cliente, ou várias caixas de entrada de e-mail que atendem a solicitações semelhantes).
