A hyperparaméter hangolás az a folyamat, amely során megtaláljuk a modell számára legjobb beállításokat.
Ez történhet kézzel (próbálgatással), rácskereséssel (grid search), véletlen kereséssel (random search), vagy akár automatizált módszerekkel (pl. Bayesian optimization).
Nélküle a modell könnyen alul- vagy túlilleszthet.
Egy webshop ajánlórendszerében a tanulási ráta optimalizálása, hogy gyorsan, de pontosan tanuljon.
Egy előre betanított modellt speciális adatokkal tovább tanítanak egy adott célra.
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 keresztvalidáció egy technika, amely az adatok több részre osztásával méri a modell teljesítményét.
A modell az a matematikai és statisztikai struktúra, amelyet az AI az adatokból tanulás során hoz létre, és amit a döntéshozatalra használ.
A tanulási ráta egy hyperparaméter, amely meghatározza, mekkora lépésekben frissítse a modell a paramétereit a tanulási folyamat során.
A túlillesztés akkor fordul elő, amikor a modell túl jól megtanulja a tanítókészlet adatait, de új adatokon rosszul teljesít.
A validációs készlet olyan adathalmaz, amelyet a modell finomhangolására, az optimális paraméterek kiválasztására használnak.
