学习者是否需要将任务分成训练集和测试集，还是由他们自己完成

在机器学习和深度学习任务中，学习者通常需要将数据集分成训练集和测试集。这是因为在模型的训练过程中，我们希望能够评估模型在未见过的数据上的性能表现，从而判断模型的泛化能力。

将数据集分成训练集和测试集的目的是为了模拟真实情况下模型的表现。训练集用于模型的训练和参数优化，而测试集则用于评估模型的性能。通过将数据集划分为训练集和测试集，可以更好地评估模型的泛化能力，即模型对未知数据的适应能力。

一般来说，将数据集划分为训练集和测试集的比例可以根据具体任务和数据集规模进行选择。常见的划分比例是将数据集的70-80%用作训练集，而将剩下的20-30%用作测试集。如果数据集非常大，也可以考虑将一部分作为验证集，用于模型的调参和选择。

划分训练集和测试集的过程需要注意以下几点：

1. 随机性：划分数据集时要确保训练集和测试集是随机选择的，以避免数据集的偏置。
2. 不重叠性：训练集和测试集之间要保持数据的不重叠，确保测试集中的数据在模型训练过程中没有被使用过。
3. 数据分布一致性：训练集和测试集应该在数据分布上保持一致，以确保模型在测试集上的表现能够代表真实情况下的性能。

对于训练集和测试集的划分，腾讯云提供了一系列相关产品和工具来帮助用户进行数据管理、模型训练和评估，例如：

• 数据集管理：腾讯云数据集集成（DCI）可以帮助用户进行数据集的上传、存储和管理，详情请见：数据集集成（DCI）产品介绍
• 机器学习平台：腾讯云机器学习平台（Tencent Machine Learning Platform，TMLP）提供了模型训练、调优和部署的全生命周期管理，详情请见：腾讯云机器学习平台（TMLP）产品介绍
• 模型评估工具：腾讯云模型评估工具可以帮助用户对模型在测试集上的性能进行评估和分析，详情请见：模型评估工具产品介绍

总结：学习者在进行机器学习和深度学习任务时，通常需要将数据集划分为训练集和测试集，以评估模型的泛化能力。腾讯云提供了一系列相关产品和工具来辅助用户进行数据管理、模型训练和评估。