Ένα Neural Network μαθαίνει από παραδείγματα (training).

Βασικά βήματα:

• Δίνουμε δεδομένα εισόδου (X) και σωστές απαντήσεις (y).

• Το μοντέλο κάνει πρόβλεψη (ŷ).

• Υπολογίζεται το λάθος (loss).

• Με backpropagation ενημερώνονται τα βάρη (weights) ώστε το loss να μειώνεται.

Όροι που θα συναντήσεις:

• epoch: ένα πέρασμα από όλα τα δεδομένα.

• batch: μικρό κομμάτι δεδομένων κάθε φορά.

• learning rate: πόσο μεγάλα βήματα κάνει η μάθηση.

• overfitting: όταν αποστηθίζει τα training data και δεν γενικεύει.