Az aktivációs függvény a neurális hálózat egy-egy neuronjának kimenetét határozza meg.
Ez biztosítja, hogy a hálózat képes legyen bonyolult, nemlineáris összefüggéseket is megtanulni. Gyakori típusok: ReLU, sigmoid, tanh.
Nélküle a neurális hálózat csak egyszerű lineáris problémákat tudna megoldani.
Képfelismerő rendszerekben a ReLU aktiváció gyorsítja a tanulást.
A gradiens ereszkedés egy optimalizálási módszer, amely lépésenként javítja a modell paramétereit a hibák csökkentése érdekében.
A hyperparaméterek olyan beállítások, amelyeket a modelltanítás előtt adunk meg, és amelyek befolyásolják a tanulási folyamatot.
A CNN egy speciális neurális hálózat, amely különösen alkalmas képek és vizuális mintázatok feldolgozására.
A mélytanulás a gépi tanulás egyik speciális ága, amely többrétegű neurális hálózatokat használ bonyolult problémák megoldására.
Az emberi agy működését utánzó számítási modell, amely rétegekből és neuronokból áll.
Az RNN olyan neurális hálózat, amely képes figyelembe venni az adatok sorrendjét és időbeli összefüggéseit.
A tanulási ráta egy hyperparaméter, amely meghatározza, mekkora lépésekben frissítse a modell a paramétereit a tanulási folyamat során.
A veszteségfüggvény egy matematikai kifejezés, amely megmutatja, mennyire rosszul teljesít a modell az előrejelzés során.
