Az algoritmus egy szabályrendszer vagy lépéssorozat, amely meghatározza, hogyan kell egy adott problémát megoldani.
Az algoritmusok lehetnek egyszerűek (pl. recept egy étel elkészítésére) vagy bonyolultak (pl. neurális háló működése). Az AI területén az algoritmusok irányítják, hogyan tanul a modell, hogyan elemzi az adatokat, és hogyan hoz döntéseket.
Az AI „motorja” – algoritmus nélkül nincs tanulás vagy előrejelzés.
Google keresőalgoritmusa, Facebook hírfolyam algoritmusa.
Az AI azon területe, ahol a számítógép adatokból tanul anélkül, hogy explicit módon programoznánk minden egyes lépést.
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 hyperparaméter hangolás az a folyamat, amely során megtaláljuk a modell számára legjobb beállításokat.
A modell az a matematikai és statisztikai struktúra, amelyet az AI az adatokból tanulás során hoz létre, és amit a döntéshozatalra használ.
A paraméterek a modell belső értékei, amelyek a tanulási folyamat során beállítódnak.
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.
