Transfer learning umožňuje využít model, který byl natrénován na jedné úloze (např. rozpoznávání objektů), pro jinou, podobnou úlohu (např. rozpoznání specifických výrobků). Místo trénování modelu od nuly se přizpůsobí již existující model – což šetří čas, výpočetní výkon a zvyšuje přesnost, zejména pokud je k dispozici málo dat.

Trénovací data jsou data, na kterých se model učí. Obsahují vstupy i výstupy (v případě učení s učitelem), na základě kterých se model přizpůsobuje a optimalizuje své parametry. Kvalita, rozsah a rozmanitost trénovacích dat zásadně ovlivňují výslednou přesnost a schopnosti modelu.

Tokenizace je základní krok v NLP, při kterém se text rozděluje na menší jednotky – tzv. tokeny (např. slova, fráze nebo znaky). Například věta „Umělá inteligence mění svět“ se tokenizuje na [„Umělá“, „inteligence“, „mění“, „svět“]. Tokenizace je důležitá pro pochopení struktury textu a následné zpracování modely strojového učení.