MI kisszótár
Bevezetés
Ebben a fejezetben összegyűjtöttük és elmagyarázzuk a mesterséges intelligencia területén leggyakrabban használt fogalmakat és szakkifejezéseket.
Alapfogalmak
A
Activation function (aktivációs függvény) : A neurális hálózatokban használt matematikai függvény, amely meghatározza egy neuron kimeneti értékét. Például: ReLU, sigmoid, tanh.
Artificial Intelligence (mesterséges intelligencia) : Olyan számítógépes rendszerek gyűjtőneve, amelyek képesek az emberi intelligenciához hasonló feladatok elvégzésére.
Augmented data (kiterjesztett adatok) : Mesterségesen létrehozott vagy módosított training adatok a modell teljesítményének javítására.
B
Backpropagation (visszaterjesztés) : Algoritmus, amely kiszámítja a gradienst a neurális hálózat súlyainak frissítéséhez a training során.
Batch (köteg) : Az adathalmaz egy része, amelyet egyszerre használunk a modell tanításához.
Bias (torzítás) : 1. A modell szisztematikus hibája : 2. A neurális hálózat neuronjainak eltolási értéke
C
Classification (osztályozás) : Olyan gépi tanulási feladat, ahol a modell előre meghatározott kategóriákba sorolja a bemeneteket.
Clustering (klaszterezés) : Adatpontok csoportosítása hasonlóságuk alapján felügyelet nélküli tanulással.
CNN (konvolúciós neurális hálózat) : Képfeldolgozásra specializált neurális hálózat architektúra.
D
Deep learning (mély tanulás) : A gépi tanulás része, amely többrétegű neurális hálózatokat használ.
Dataset (adathalmaz) : A modell tanításához és teszteléséhez használt adatok összessége.
Dropout : Regularizációs technika, amely véletlenszerűen kikapcsol neuronokat a training során.
E
Epoch (korszak) : Egy teljes áthaladás a training adathalmazon a modell tanítása során.
Embedding : Adatok (pl. szavak, képek) reprezentálása vektorok formájában.
F
Feature (jellemző) : Az adatok egy mérhető tulajdonsága, amit a modell bemenetként használ.
Fine-tuning (finomhangolás) : Előre betanított modell további optimalizálása specifikus feladatra.
G
Gradient descent (gradiens ereszkedés) : Optimalizációs algoritmus a modell paramétereinek frissítéséhez.
GPU (Graphics Processing Unit) : Grafikus processzor, amely gyorsítja a neurális hálózatok számításait.
H
Hyperparameter (hiperparaméter) : A modell tanulási folyamatát befolyásoló, kézzel állítható paraméterek.
I
Inference (következtetés) : A betanított modell használata új adatokon predikciók készítéséhez.
L
Layer (réteg) : A neurális hálózat egy szintje, amely neuronokat tartalmaz.
Learning rate (tanulási ráta) : A modell paramétereinek frissítési sebességét meghatározó hiperparaméter.
Loss function (veszteségfüggvény) : A modell teljesítményét mérő függvény a training során.
M
Machine learning (gépi tanulás) : Az MI része, ahol a rendszerek tapasztalatból tanulnak.
Model (modell) : Az MI rendszer, amely megtanulta felismerni a mintákat az adatokban.
N
Neural network (neurális hálózat) : Összekapcsolt neuronokból álló hálózat, amely mintákat tanul az adatokból.
Normalization (normalizálás) : Adatok skálázása egy meghatározott tartományba.
O
Optimization (optimalizálás) : A modell paramétereinek finomhangolása jobb teljesítmény érdekében.
Overfitting (túltanulás) : Amikor a modell túlságosan specializálódik a training adatokra.
P
Parameter (paraméter) : A modell által a tanulás során módosított értékek.
Prediction (predikció) : A modell által generált kimenet egy adott bemenetre.
R
Regression (regresszió) : Folytonos érték előrejelzése gépi tanulással.
RNN (rekurrens neurális hálózat) : Szekvenciális adatok feldolgozására specializált hálózat típus.
S
Supervised learning (felügyelt tanulás) : Tanítási módszer, ahol a modell címkézett adatokból tanul.
T
Training (tanítás) : A folyamat, amely során a modell megtanulja felismerni a mintákat.
Transfer learning (transzfer tanulás) : Előre betanított modell használata új, de hasonló feladatra.
U
Underfitting (alultanulás) : Amikor a modell nem képes megfelelően megtanulni a mintákat.
Unsupervised learning (felügyelet nélküli tanulás) : Tanítási módszer, ahol a modell címkézetlen adatokból tanul mintákat.
V
Validation (validáció) : A modell teljesítményének mérése független adathalmazon.
Vector (vektor) : Adatok numerikus reprezentációja.
Gyakorlati alkalmazás
A szótár használata közben próbáld meg a fogalmakat saját szavaiddal is megfogalmazni, és keress példákat a gyakorlati alkalmazásukra.
Összefoglalás
Ez a szótár segít eligazodni az MI területén használt szakkifejezések között. A fogalmak megértése elengedhetetlen a területen való sikeres munkához.
Készíts saját jegyzeteket és példákat minden fogalomhoz, amely új számodra. A gyakorlati példák segítenek a mélyebb megértésben.
További források
- Oxford Dictionary of AI and Machine Learning
- Machine Learning Glossary (Google Developers)
- Deep Learning Dictionary (deeplearning.ai)
Hivatkozások
- AI Glossary, Machine Learning Glossary (Google Developers)
- Deep Learning Terminology (deeplearning.ai)
- The AI Dictionary (Oxford University Press)