> For the complete documentation index, see [llms.txt](https://dh-organization.gitbook.io/droneshub-rover-kontakt/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://dh-organization.gitbook.io/droneshub-rover-kontakt/iskusstvennyi-intellekt/neironnaya-set-i-mashinnoe-zrenie./glossarii-po-rabote-s-ii.md).

# Глоссарий по работе с ИИ

При работе с машинным зрением и нейронными сетями для них полезно ознакомиться с рядом ключевых терминов. Вот список некоторых из них:

1. **Изображение (Image)** - Основная единица данных в машинном зрении, обычно представляет собой матрицу пикселей.
2. **Пиксель (Pixel)** - Минимальный элемент изображения, который имеет цвет или градацию серого.
3. **Классификация (Classification)** - Задача определения категории объекта на изображении.
4. **Локализация (Localization)** - Определение местоположения объекта на изображении, часто в виде ограничивающей рамки.
5. **Детекция (Detection)** - Определение наличия и местоположения множества объектов на изображении.
6. **Сегментация (Segmentation)** - Процесс разделения изображения на части, которые соответствуют разным объектам или областям сцены. Сегментация может быть семантической (все пиксели, относящиеся к одному объекту, имеют одинаковую метку) или инстанс-сегментации (различные экземпляры одного класса различаются).
7. **Сверточные нейронные сети (Convolutional Neural Networks, CNN)** - Особый класс нейронных сетей, предназначенных для обработки данных, имеющих вид матриц (например, изображений).
8. **Слой (Layer)** - Структурная единица нейронной сети, которая преобразует входные данные с помощью активационных функций и весов.
9. **Фильтр (Filter)/Ядро (Kernel)** - Маленькая матрица, используемая для выполнения операции свертки на изображении.
10. **Пулинг (Pooling)** - Процесс уменьшения размерности входного изображения для уменьшения количества параметров и вычислений в сети.
11. **ReLU (Rectified Linear Unit)** - Популярная функция активации в нейронных сетях, которая возвращает ноль для всех отрицательных значений и оставляет положительные значения без изменения.
12. **Обучающий набор данных (Training Dataset)** - Набор данных, используемый для обучения нейронной сети.
13. **Валидационный набор данных (Validation Dataset)** - Набор данных, используемый для тонкой настройки параметров сети и предотвращения переобучения.
14. **Тестовый набор данных (Test Dataset)** - Набор данных, используемый для оценки производительности обученной нейронной сети.
15. **Переобучение (Overfitting)** - Ситуация, когда нейронная сеть слишком хорошо научилась распознавать данные обучающего набора, в ущерб обобщающей способности на новых данных.
16. **Подстройка (Fine-tuning)** - Процесс настройки предварительно обученной модели под конкретную задачу с помощью небольшого количества данных.
17. **Аугментация данных (Data Augmentation)** - Техника увеличения количества обучающих данных путем внесения случайных изменений в исходные данные (например, повороты, масштабирование, изменение цветовой гаммы), что помогает улучшить обобщающую способность модели.
18. **Скорость обучения (Learning Rate)** - Параметр, который определяет, насколько сильно обновляются веса нейронной сети в процессе обучения. Слишком большая скорость может привести к нестабильности, слишком маленькая - к замедлению обучения.
19. **Батч (Batch)** - Подмножество тренировочных данных, используемое для одного шага обучения. Батчи позволяют использовать методы мини-пакетного градиентного спуска.
20. **Эпоха (Epoch)** - Один полный проход через весь тренировочный набор данных. Обычно обучение модели включает множество эпох.
21. **Backpropagation (Обратное распространение)** - Метод, используемый для обучения нейронных сетей, который включает в себя распространение ошибки от выходов сети обратно к входам для обновления весов.
22. **Глубокое обучение (Deep Learning)** - Раздел машинного обучения, основанный на обучении многослойных нейронных сетей.
23. **Потери (Loss)** - Мера того, насколько предсказания модели отличаются от истинных значений. Цель обучения - минимизировать функцию потерь.
24. **Оптимизатор (Optimizer)** - Алгоритм или метод, используемый для изменения атрибутов нейронной сети, таких как веса и скорость обучения, с целью минимизации потерь.
25. **Инициализация весов (Weight Initialization)** - Методика задания начальных значений весов в нейронной сети перед началом обучения. Правильная инициализация может улучшить сходимость.
26. **Трансферное обучение (Transfer Learning)** - Подход в машинном обучении, при котором заранее обученная модель на одной задаче адаптируется для решения другой, схожей задачи.
27. **Полносвязный слой (Fully Connected Layer)** - Слой в нейронной сети, где каждый нейрон соединен со всеми нейронами предыдущего слоя. Часто используется в конце архитектур CNN для классификации.
28. **Ансамблирование (Ensembling)** - Метод, при котором несколько моделей обучаются для решения одной и той же задачи, а их предсказания комбинируются для улучшения точности.
29. **Предсказание в реальном времени (Real-time Inference)** - Процесс выполнения вывода модели нейронной сети в реальном времени, часто необходим в приложениях компьютерного зрения, таких как видеонаблюдение или интерактивные системы.