Thuật ngữ "neural network" trong học máy thường được sử dụng để ám chỉ:

Mô hình quá đơn giản và không thể đặc trưng hóa đủ dữ liệu

Mô hình phù hợp tốt với dữ liệu huấn luyện nhưng không tổng quát hóa được cho dữ liệu mới

Mô hình không học được từ dữ liệu

Mô hình phù hợp với dữ liệu huấn luyện và tổng quát hóa tốt cho dữ liệu mới

Overfitting

Underfitting

Gradient vanishing/exploding

Biến dạng dữ liệu

Việc kết hợp nhiều mô hình dự đoán để cải thiện hiệu suất

Sử dụng nhiều tập dữ liệu khác nhau

Tạo ra các mô hình phức tạp

Chọn lựa siêu tham số tốt nhất cho mô hình

Học có giám sát

Học không giám sát

Học củng cố

Học bán giám sát

Tối ưu hóa các tham số của mạng neural

Tăng độ phức tạp của mạng neural

Giảm overfitting trong mạng neural

Biến đổi đầu vào thành đầu ra cho mạng neural

Sự đánh đổi giữa độ phức tạp của mô hình và khả năng tổng quát hóa

Sự đánh đổi giữa độ chính xác và tốc độ của mô hình

Sự đánh đổi giữa việc học từ dữ liệu được gán nhãn và không được gán nhãn

Sự đánh đổi giữa việc sử dụng các thuật toán khác nhau

Việc chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

Việc xử lý và làm sạch dữ liệu trước khi đưa vào mô hình

Tạo ra các mô hình dự đoán từ dữ liệu

Đánh giá hiệu suất của mô hình trên dữ liệu kiểm tra

Quá trình tinh chỉnh các siêu tham số của mô hình để cải thiện hiệu suất

Quá trình xây dựng các đặc trưng mới từ dữ liệu ban đầu

Quá trình giảm kích thước của mô hình

Quá trình chia tập dữ liệu thành các phần riêng biệt để đánh giá mô hình

Regression

Classification

Clustering

Tất cả các phương án trên

Tạo ra các đặc trưng mới từ dữ liệu ban đầu

Chọn lọc các đặc trưng quan trọng từ dữ liệu ban đầu

Chuẩn hóa dữ liệu đầu vào để đảm bảo mô hình hoạt động hiệu quả

Đánh giá hiệu suất của mô hình trên tập dữ liệu kiểm tra