Data Augmentation
Data augmentation is a family of techniques that artificially expands a training dataset by applying label-preserving transformations to existing samples. Originally systematized for image classification tasks, it is now applied broadly across vision, text, audio, and tabular domains. It emerged as a practical answer to the chronic scarcity of labeled data in supervised deep learning and remains a standard preprocessing step in modern neural network pipelines.
Zapis źródłowy
Cytaty skopiowane dosłownie z zapisu źródłowego metody. Nie należy z nich wywnioskować weryfikacji na poziomie twierdzenia.
Wyselekcjonowane twierdzenia
Twierdzenia utrwalone w rejestrze dowodowym, każde z własną oceną.
Ten widok nie tworzy oceny twierdzenia, jeśli rejestr jej nie zawiera.
Powiązane metody
Wygenerowane z grafu metod i pokazane jako sugerowane przez maszynę powiązania — nie należy z nich wywnioskować twierdzenia dowodowego.