In bestimmten F?llen k?nnen wir Einnahmen erzielen, wenn ein Leser einen Kauf t?tigt oder ein Formular auf unseren Seiten oder auf der Website eines Partners ausfüllt. Wir halten uns an eine strenge Werbepolitik und stellen sicher, dass kommerzielle M?glichkeiten niemals unsere redaktionelle Unabh?ngigkeit beeintr?chtigen oder beeinflussen. Die erzielten Einnahmen tragen zur Finanzierung der Mission von Techopedia bei, die Nr. 1 Quelle für Glücksspielwissen zu sein.Was bedeutet Backpropagation?
Backpropagation ist ein Algorithmus, der in der künstlichen Intelligenz (KI) zur Feinabstimmung mathematischer Gewichtsfunktionen und zur Verbesserung der Genauigkeit der Ergebnisse eines künstlichen neuronalen Netzes verwendet wird.
Ein neuronales Netz kann man sich als eine Gruppe von miteinander verbundenen Eingabe-/Ausgabeknoten (E/A-Knoten) vorstellen. Der Grad der Genauigkeit, den jeder Knoten produziert, wird als Verlustfunktion (Fehlerrate) ausgedrückt.
Backpropagation berechnet den mathematischen Gradienten einer Verlustfunktion im Verh?ltnis zu den anderen Gewichten im neuronalen Netz. Die Berechnungen werden dann verwendet, um künstlichen Netzknoten mit hohen Fehlerquoten weniger Gewicht zu geben als Knoten mit niedrigeren Fehlerquoten.
Backpropagation verwendet eine Methode namens Kettenregel, um die Ergebnisse zu verbessern. Im Grunde führt der Algorithmus nach jedem Vorw?rtsdurchlauf durch ein Netz einen Rückw?rtsdurchlauf durch, um die Gewichte des Modells anzupassen.
Ein wichtiges Ziel der Backpropagation ist es, Datenwissenschaftlern einen Einblick in die Art und Weise zu geben, wie die ?nderung einer Gewichtsfunktion die Verlustfunktionen und das Gesamtverhalten des neuronalen Netzes ver?ndert. Der Begriff wird manchmal als Synonym für “Fehlerkorrektur” verwendet.
Techopedia erkl?rt Backpropagation
Backpropagation wird verwendet, um einzustellen, wie genau oder pr?zise ein neuronales Netz bestimmte Eingaben verarbeitet. Backpropagation als Technik verwendet Gradientenabstieg: Sie berechnet den Gradienten der Verlustfunktion am Ausgang und verteilt ihn zurück durch die Schichten eines tiefen neuronalen Netzes. Das Ergebnis sind angepasste Gewichte für die Neuronen.
Nach dem Aufkommen einfacher neuronaler Feedforward-Netzwerke, bei denen die Daten nur in eine Richtung gehen, fanden Ingenieure heraus, dass sie die Backpropagation nutzen k?nnen, um die neuronalen Eingangsgewichte nachtr?glich anzupassen.
Obwohl die Backpropagation sowohl beim überwachten als auch beim unüberwachten Lernen eingesetzt werden kann, wird sie in der Regel als überwachter Lernalgorithmus bezeichnet, da für die Berechnung eines Verlustfunktionsgradienten zun?chst eine bekannte, gewünschte Ausgabe für jeden Eingabewert vorliegen muss.
