Az adatok kisebb csoportokban (batch-ekben) kerülnek feldolgozásra a modell tanítása közben.
Ez segít hatékonyabban kihasználni a számítási erőforrásokat, és gyorsítja a tanulást. A batch mérete (batch size) egy fontos hyperparaméter.
Befolyásolja a modell tanulásának sebességét és stabilitását.
Egy kép-felismerő modellt 128 képből álló batch-ekkel tanítanak.
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.
Az AI skálázhatósága azt jelenti, hogy a rendszer mennyire képes nagyobb adatmennyiségen vagy több felhasználóval is hatékonyan működni.
A tanítókészlet az a konkrét adathalmaz, amelyet az AI-modell betanítására használnak.
A tanulási ráta egy hyperparaméter, amely meghatározza, mekkora lépésekben frissítse a modell a paramétereit a tanulási folyamat során.
A tesztkészlet egy külön adathalmaz, amellyel a betanított AI-modell teljesítményét mérik.
A validációs készlet olyan adathalmaz, amelyet a modell finomhangolására, az optimális paraméterek kiválasztására használnak.
