الانتشار الخلفي (Backpropagation) هو خوارزمية أساسية لتدريب الشبكات العصبية الاصطناعية (Artificial Neural Networks – ANNs)، حيث يُستخدم لتحديث الأوزان (Weights) وتقليل الخطأ (Error) بين المخرجات المتوقعة (Predicted Output) والمخرجات الحقيقية (True Output). تتم العملية على مرحلتين: الانتشار الأمامي (Forward Propagation) حيث تُمرَّر البيانات من طبقة الإدخال إلى طبقة الإخراج لحساب التنبؤ، ثم الانتشار الخلفي (Backward Propagation) حيث يُحسب الخطأ باستخدام دالة فقدان (الخسارة) (Loss Function) ويُعاد توزيعه عبر الشبكة باستخدام قاعدة السلسلة الرياضية (Chain Rule) لتعديل الأوزان تدريجيًا عبر خوارزمية التحسين مثل Gradient Descent، مما يحسن أداء النموذج مع كل دورة تدريبية (Epoch).
ا.م.د. علاء طعيمة عبد الكاظم
أستاذ مساعد دكتور في الذكاء الاصطناعي والتعلم العميق