如何免费获得高质量标注数据？

用第一性原理，破解科研数据获取难题。

标注

自从开始了解机器学习以后，想必你已经发现，数据分析领域，标注（annotation）是很重要的。

请你再次回顾一下这张图。

我多次外出讲座时，这张图总能让与会者感到眼前一亮。

图片的原作者是华盛顿大学的 Pedro Domingos 教授。但是因为许多著名的机器学习课程争相引用，因此现在这张图已经传遍全网。

注意这里的机器学习，实际上是特指 “监督式”（supervised）。关于非监督式机器学习，你可以参考《如何用 Python 从海量文本抽取主题？》一文的介绍。

这幅图里面，下方的“Output”实际上是指标记的（annotated）输出结果（labels）。监督式机器学习，实际上就是要以输入数据和标记，来自动构造程序，从而可以被用来处理更多的新数据。

所以你看，机器模型能够学到规律，靠的就是标注。

咱们介绍过的 计算机视觉分类，便需要有人来标注物体名称。例如猫还是狗，哆啦 A 梦还是瓦力。

再比如 IMDB 影片评论数据，也需要先搞清楚究竟是正向情感，还是负向情感。

当然，上面这个 IMDB 评论可以看做是特例。回顾你在豆瓣或者淘宝打分的经验。是不是要写一条评论的同时，还得提交一个分数？

你的评论，就是文本输入。

你的打分，就是标记（Annotation）。

对，你已经帮助系统做了标注。平台就不需要再找人单独做标注了。

但是，大部分的数据标注，可没有那么简易。

你可能需要面对无标注的原始输入，一一手工做出标记。

这种工作一般很枯燥，但是并不太复杂。

例如猫狗识别，或者给车辆勾勒边缘（用于物体识别，object detection）之类的简单标记工作，都已经被外包到了低工资水平地区。