neuroverkoissa
Neuroverkoissa käytetään laskennallisia malleja, jotka jäljittelevät joitakin biologisten hermoverkkojen piirteitä. Ne koostuvat solmuista (neuroneista) ja yhteyksistä (synapseista). Tiedon virta etenee kerroksittain, ja kunkin solmun vaste määräytyy sisääntulevien signaalien painotetun summan sekä aktivointifunktion perusteella. Verkot voivat olla useita kerroksia syviä, jolloin ne oppivat monimutkaisia ei-lineaarisia suhteita dataan.
Tyypillisiä arkkitehtuureja ovat feed-forward-verkot, konvoluutionaaliset verkot (CNN), toistuvat verkot (RNN, LSTM, GRU) sekä transformer-pohjaiset mallit. Oppiminen
Sovellukset kattavat kuvien tunnistuksen ja luokittelun, puheen ja luonnollisen kielen käsittelyn sekä lääketieteellisen kuvantamisen, robotisaation ja
Haasteet ja rajoitteet liittyvät tulosten tulkittavuuteen, koulutusdatan vinoumiin sekä riskiin, että mallit oppivat epätoivottuja käyttäytymisiä. Adversarial-hyökkäykset