A paraméterek a modell belső értékei, amelyek a tanulási folyamat során beállítódnak.
Egy neurális hálózat minden „neuronja” kapcsolatokkal (súlyokkal) rendelkezik. Ezek a súlyok (paraméterek) szabják meg, hogy a modell hogyan hoz döntéseket.
A paraméterek száma meghatározza a modell méretét és képességeit.
A GPT-4 több mint ezermilliárd paraméterrel rendelkezik.
Az aktivációs függvény a neurális hálózat egy-egy neuronjának kimenetét határozza meg.
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.
Az emberi agy működését utánzó számítási modell, amely rétegekből és neuronokból áll.
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.
