Az SVM egy gépi tanulási algoritmus, amely a különböző kategóriák közötti legjobb elválasztó határt keresi.
Az algoritmus egy „hipersíkot” keres, amely a legjobban választja szét az adatpontokat. Különösen jól működik bonyolult, nemlineáris problémák esetén is.
Erős és sokféle osztályozási problémánál bevált módszer.
Kép-felismerés, pl. kézzel írott számjegyek felismerése.
A felügyelt tanulás egy gépi tanulási módszer, ahol az algoritmust olyan adatokkal tanítják, amelyek tartalmazzák a bemeneteket és a hozzájuk tartozó helyes kimeneteket.
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 jellemzők azok a változók vagy tulajdonságok, amelyeket a modell a döntések meghozatalához használ.
A keresztvalidáció egy technika, amely az adatok több részre osztásával méri a modell teljesítményét.
Az osztályozás egy prediktív modellezési módszer, ahol a cél az, hogy az adatok előre definiált kategóriákba kerüljenek.
A regresszió egy gépi tanulási módszer, amely folytonos értékek előrejelzésére szolgál.
A tanítókészlet az a konkrét adathalmaz, amelyet az AI-modell betanítására használnak.
