Az emberi agy működését utánzó számítási modell, amely rétegekből és neuronokból áll.
A neurális hálók több rétegből állnak: input réteg, rejtett rétegek és output réteg. Minden neuron súlyozott kapcsolatokkal csatlakozik a következő réteghez. A tanulás során ezek a súlyok módosulnak, hogy a háló egyre pontosabb eredményeket adjon.
A modern AI alapját képezik, képesek komplex mintázatok felismerésére képekben, szövegekben és hangrögzítésekben.
Képfelismerés, beszédfelismerés, gépi fordítás, önvezető autók.
Az aktivációs függvény a neurális hálózat egy-egy neuronjának kimenetét határozza meg.
A figyelemmechanizmus lehetővé teszi, hogy a modell súlyozza, mely bemeneti elemek fontosabbak a kimenet szempontjából.
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.
A mélytanulás a gépi tanulás egyik speciális ága, amely többrétegű neurális hálózatokat használ bonyolult problémák megoldására.
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.
A veszteségfüggvény egy matematikai kifejezés, amely megmutatja, mennyire rosszul teljesít a modell az előrejelzés során.
