كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي
خوارزمية

الانتشار العكسي

Backpropagation

1986 (نشر رومِلهارت وهينتون وويليامز؛ للفكرة جذور أقدم) موثّق جزئياً Partially Verified

طريقة لحساب تدرج الخسارة بالنسبة لكل أوزان الشبكة العصبية بتطبيق قاعدة السلسلة من المخرجات نحو المدخلات.

الفكرة الأساسية

الخطأ عند المخرجات يُوزّع رجوعاً على الطبقات، فيعرف كل وزن مقدار مساهمته في الخطأ.

المعادلات

dL/dw_ij = delta_j * a_idelta_j = f'(z_j) * sum_k w_jk delta_k

المزايا

  • حساب فعّال للتدرج بتكلفة قريبة من تمرير أمامي واحد

القيود

  • تلاشي أو انفجار التدرج في الشبكات العميقة جداً

التطبيقات العملية

تدريب الشبكات متعددة الطبقات والالتفافية والمتكررة والمحولات.

عناصر مرتبطة

خريطة المعرفة لهذا العنصر

افتح بالحجم الكامل

المصادر والمراجع العلمية

  1. David E. Rumelhart; Geoffrey E. Hinton; Ronald J. Williams (1986). Learning representations by back-propagating errors. Nature, 323(6088):533-536. DOI: 10.1038/323533a0

    يدعم: الورقة التي نشرت الطريقة وأظهرت تعلم تمثيلات داخلية

    مقالة محكّمة · جرى التحقق من بياناته الببليوغرافية عبر Crossref · صفحة المرجع