A tanulási ráta egy hyperparaméter, amely meghatározza, mekkora lépésekben frissítse a modell a paramétereit a tanulási folyamat során.
Ha túl nagy, a modell „átugorhatja” az optimális megoldást, ha túl kicsi, akkor a tanulás nagyon lassú vagy elakad.
Az egyik legkritikusabb beállítás a neurális hálózatokban és más ML-algoritmusokban.
Képfelismerő modell betanításánál a megfelelő tanulási ráta kiválasztása, hogy ne torzuljon az eredmény.
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 hyperparaméter hangolás az a folyamat, amely során megtaláljuk a modell számára legjobb beállításokat.
A mélytanulás a gépi tanulás egyik speciális ága, amely többrétegű neurális hálózatokat használ bonyolult problémák megoldására.
Az emberi agy működését utánzó számítási modell, amely rétegekből és neuronokból áll.
A túlillesztés akkor fordul elő, amikor a modell túl jól megtanulja a tanítókészlet adatait, de új adatokon rosszul teljesít.
A veszteségfüggvény egy matematikai kifejezés, amely megmutatja, mennyire rosszul teljesít a modell az előrejelzés során.
