Optimalizace v AI označuje proces hledání nejlepších hodnot parametrů modelu tak, aby co nejlépe předpovídal výsledky a minimalizoval chybu. Typicky se jedná o iterativní úpravu vah neuronové sítě pomocí algoritmů, jako je gradientní sestup. Optimalizace je jádrem učení v machine learningu a ovlivňuje přesnost i rychlost modelu.

Detekce objektů je úloha počítačového vidění, jejímž cílem je nejen rozpoznat, co se na obrázku nachází (např. auto, pes, člověk), ale také určit přesnou polohu těchto objektů pomocí ohraničujících rámečků (bounding boxes). Využívá se například v autonomních vozech, bezpečnostních systémech nebo analýze videa. Detekce objektů kombinuje klasifikaci a lokalizaci.

Normalizace je předzpracování dat, které upravuje hodnoty vstupních proměnných do standardizovaného rozsahu (např. 0 až 1 nebo se střední hodnotou 0). Pomáhá zrychlit a stabilizovat učení modelu, zejména u algoritmů citlivých na měřítko dat – jako jsou neuronové sítě nebo k-means. Správná normalizace může výrazně ovlivnit přesnost výsledků.