A gépi tanulás és a neurális hálózatok területén használt szakkifejezések pontos definíciói. Módszeres áttekintés a technológiai alapfogalmaktól a komplex algoritmusokig.
A hibavisszavezetés az a mechanizmus, amellyel a neurális hálózatok frissítik a belső súlyokat a kimeneti hiba alapján. Ez a folyamat a gradiens alapú optimalizálás alapköve, amely lehetővé teszi a többrétegű modellek hatékony tanítását.
Részletesebben a hálózatokról →A gradiens csökkentés egy iteratív optimalizációs algoritmus, amely a költségfüggvény minimumának megtalálására szolgál. A modell paramétereit folyamatosan a negatív gradiens irányába módosítja a hiba minimalizálása érdekében.
Algoritmus katalógus →Olyan jelenség, amikor a modell túlságosan alkalmazkodik a tanító adatok zajához, így elveszíti általánosító képességét. Ekkor a modell kiválóan teljesít az ismert adatokon, de gyengén az új, ismeretlen bemeneteken.
Tanítási módszerek →Fontos megérteni, hogy az adatok strukturálása megelőzi az algoritmusok alkalmazását. Az adatok tisztítása és normalizálása elengedhetetlen a neurális hálózatok stabilitásához. Tekintse meg adatelőkészítési útmutatónkat a részletekért.
A hiperparaméterek olyan külső beállítások, amelyeket a tanítási folyamat megkezdése előtt határozunk meg. Ide tartozik a tanulási ráta, a kötegméret (batch size) és az epoch-ok száma, melyek alapvetően befolyásolják a konvergenciát.
A technológiai fejlődés megértéséhez elengedhetetlen a terminológiai stabilitás. A fogalomtár célja, hogy egységes nyelvezetet biztosítson mind a fejlesztők, mind az üzleti döntéshozók számára a gépi tanulási projektek során. Felhívjuk a figyelmet, hogy a definíciók a nemzetközi iparági szabványokat követik.
Vizsgálja meg a mesterséges intelligencia fejlődésének történetét, hogy lássa, miként alakultak ki a ma használt standard kifejezéseink az évtizedek során.
A terminológiai alapok elsajátítása után érdemes megvizsgálni a konkrét algoritmusok működését és azok üzleti relevanciáját.
Alkalmazási területek megtekintése