Model to wyuczone przybliżenie. Pobiera dane wejściowe, stosuje transformację matematyczną i generuje dane wyjściowe. Transformacja jest kształtowana przez proces uczenia, a jej jakość ocenia się na podstawie tego, jak dobrze generalizuje się na nowe dane.

Modele występują w wielu formach. Regresja liniowa dopasowuje linię. Drzewa decyzyjne dzielą dane rekurencyjnie. Sieci neuronowe składają się z warstw wyuczonych funkcji. Każda z nich ma mocne i słabe strony oraz założenia dotyczące danych.

Co definiuje model

• Architektura i liczba parametrów
• Procedura i cel szkolenia
• Format wejściowy i wyjściowy
• Wydajność na danych wstrzymanych
• Wymagania obliczeniowe i pamięciowe

Żaden model nie jest poprawny w sensie absolutnym. Model jest przydatny lub nie w odniesieniu do konkretnego zadania, zestawu danych i kontekstu wdrożenia. Ta sama architektura może rozwiązać jeden problem, a zawieść w innym.