Definíció
A mesterséges neurális hálózatok bemeneti, rejtett és kimeneti rétegekből álló számítási modellek. A súlyok tanítása a predikciós hiba minimalizálására irányul.
Perceptron és MLP
Perceptron: output = f(Σwᵢxᵢ + b). Többrétegű perceptron (MLP) több rejtett réteggel modellez komplex nemlinearitásokat.
Aktivációs függvények
Aktivációs függvények: ReLU max(0, x), sigmoid 1/(1+e⁻ˣ), tanh. ReLU a leggyakoribb rejtett rétegekben a gradiens elhalás csökkentésére.
Backpropagation
Backpropagation: a láncszabály alapján a gradiensek visszaterítése a hálózaton. SGD vagy Adam optimalizáló frissíti a súlyokat.
Elemzési megjegyzések
Neurális hálózatok nagy adatigényűek és interpretálhatóságuk korlátozott. Regularizáció, dropout és architektúra-tervezés kritikus a generalizációhoz.
Az algoritmusok, modellek és technológiai megoldások leírása általános referencia jellegű. A tényleges implementáció és eredmények az adathalmaztól, a paraméterektől és a futtatási környezettől függnek.
