A mélytanulás a gépi tanulás egyik speciális ága, amely többrétegű neurális hálózatokat használ bonyolult problémák megoldására.
A mélytanulási algoritmusok képesek olyan mintázatokat felismerni, amelyeket hagyományos gépi tanulási algoritmusok nem. Különösen hatékony képfeldolgozásban, beszédfelismerésben és nyelvi modellekben. A nagy mennyiségű adat és a számítási teljesítmény fejlődése tette lehetővé a gyors elterjedését.
Ez teszi lehetővé a legmodernebb AI-megoldásokat, mint például a ChatGPT vagy a képgeneráló modellek.
Önvezető autók környezeti érzékelése, arc-felismerő rendszerek, nyelvi fordítóprogramok.
Az embedding olyan technika, amely a szavakat vagy más elemeket számsorozatként (vektorként) ábrázolja, hogy a gép fel tudja dolgozni őket.
A figyelemmechanizmus lehetővé teszi, hogy a modell súlyozza, mely bemeneti elemek fontosabbak a kimenet szempontjából.
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 CNN egy speciális neurális hálózat, amely különösen alkalmas képek és vizuális mintázatok feldolgozására.
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 transformer egy neurális hálózati architektúra, amely hatékonyan dolgozza fel a szöveges adatokat.
