Ohjelmoinnin, tietokoneiden ja tekoälyn maailmassa backpropagation -hermoverkko on yksinkertaisesti eräänlainen keinotekoinen neuroverkko (ANN), joka käyttää backpropagationia. Takaisinpropagaatio on perustavanlaatuinen ja yleisesti käytetty algoritmi, joka opettaa ANN: lle tietyn tehtävän suorittamista. Vaikka tämä käsite voi tuntua hämmentävältä ja kun prosessin aikana vaadittavia yhtälöitä tarkastellaan, näyttää täysin vieraalta, tämä käsite yhdessä täydellisen hermoverkoston kanssa on melko helppo ymmärtää.
Niille, jotka eivät tunne hermoverkkoja, ANN tai yksinkertaisesti NN, joka tarkoittaa “hermoverkkoa”, on matemaattinen malli, joka on mallinnettu tiettyjen tosielämän hermoverkkojen ominaisuuksien, kuten elävien olentojen, mukaan. Ihmisen aivot ovat perimmäinen hermoverkko, jonka toiminta antaa joitakin vihjeitä keinotekoisten NN: ien rakenteen ja toiminnan parantamisesta. Kuten kaikkein alkeellisimmilla aivoilla, ANN: llä on verkosto toisiinsa yhdistettyjä keinotekoisia neuroneja, jotka käsittelevät tietoa.
Mikä siinä kiehtoo, on se, että ANN voi tarvittaessa mukauttaa ja muokata rakennettaan ympäristöstä ja verkosta saamiensa tietojen perusteella. Se on hienostunut laskentamalli, joka käyttää epälineaarista tilastotietojen analyysiä ja pystyy tulkitsemaan monimutkaisia suhteita tietojen, kuten panosten ja lähtöjen välillä. Se voi ratkaista ongelmia, joita ei voida ratkaista perinteisillä laskentamenetelmillä.
Idea backpropagation-hermoverkosta syntyi ensimmäisen kerran vuonna 1969 Arthur E. Brysonin ja Yu-Chi Ho: n työstä. Myöhempinä vuosina muut ohjelmoijat ja tutkijat tarkensivat ajatusta. Vuodesta 1974 lähtien taudin eteneminen hermoverkko tunnustettiin innovatiiviseksi läpimurtoksi keinotekoisten hermoverkkojen tutkimuksessa ja luomisessa.
Neuraaliverkon oppiminen on tärkeä tehtävä ANN: ssä, joka varmistaa, että se pystyy edelleen käsittelemään tietoja oikein ja siksi suorittamaan tehtävänsä oikein. Takaisinpropagaation hermoverkko käyttää delta -säännön yleistettyä muotoa hermoverkon oppimisen mahdollistamiseksi. Tämä tarkoittaa, että se käyttää opettajaa, joka pystyy laskemaan halutut lähdöt tietyistä verkkoon syötetyistä panoksista.
Toisin sanoen taaksepäin leviävä hermoverkko oppii esimerkin avulla. Ohjelmoija tarjoaa oppimismallin, joka osoittaa, mikä olisi oikea tulos tietyn panosjoukon perusteella. Tämä tulo-lähtö-esimerkki on opettaja tai malli, jonka jälkeen muut verkon osat voivat kuvioida myöhemmät laskelmat.
Koko prosessi etenee metodisesti mitatuin aikavälein. Koska ANN käyttää tiettyä syöttöjoukkoa, se käyttää mallista opittua laskentaa alkutuloksen aikaansaamiseksi. Sitten se vertaa tätä tuotosta alun perin tunnettuun, odotettuun tai hyvään tuotantoon ja tekee tarvittavat muutokset. Prosessissa lasketaan virhearvo. Tätä sitten edistetään edestakaisin taaksepäin leviävän hermoverkon kautta, kunnes paras mahdollinen lähtö on määritetty.