U svijetu programiranja, računala i umjetne inteligencije, neuronska mreža s povratnim širenjem jednostavno je vrsta umjetne neuronske mreže (ANN) koja koristi propagaciju unatrag. Proširivanje unatrag je temeljni i često korišteni algoritam koji daje upute ANN-u kako izvršiti zadani zadatak. Iako se ovaj koncept može činiti zbunjujućim, a nakon gledanja na jednadžbe koje su potrebne tijekom procesa izgleda potpuno stran, ovaj koncept, zajedno s kompletnom neuronskom mrežom, prilično je lako razumjeti.
Za one koji nisu upoznati s neuronskim mrežama, ANN ili jednostavno NN što je skraćenica za “neuralna mreža” je matematički model koji je oblikovan prema određenim značajkama neuronskih mreža iz stvarnog života, poput onih koje se nalaze u živim bićima. Ljudski mozak je ultimativna neuronska mreža čije funkcioniranje daje neke naznake o tome kako poboljšati strukturu i rad umjetnih NN-a. Poput najrudimentarnijeg mozga, ANN ima mrežu međusobno povezanih umjetnih neurona koji obrađuju informacije.
Ono što je fascinantno u vezi s tim je da se ANN može prilagoditi i modificirati svoju strukturu kada je to potrebno, prema informacijama koje prima iz okoline i unutar mreže. To je sofisticirani računski model koji koristi nelinearnu statističku analizu podataka i sposoban je tumačiti složene odnose među podacima kao što su ulazi i izlazi. Može riješiti probleme koji se ne mogu riješiti tradicionalnim računskim metodama.
Ideja za neuronsku mrežu s povratnom propagacijom prvi put je nastala 1969. godine iz rada Arthura E. Brysona i Yu-Chi Hoa. U kasnijim godinama, drugi programeri i znanstvenici doradili su tu ideju. Počevši od 1974. godine neuronska mreža s povratnom propagacijom postala je prepoznata kao inovativni proboj u proučavanju i stvaranju umjetnih neuronskih mreža.
Učenje neuronske mreže glavni je zadatak unutar ANN-a koji osigurava da ona i dalje može ispravno obrađivati podatke i stoga ispravno obavljati svoju funkciju. Neuralna mreža s propagacijom unatrag koristi generalizirani oblik delta pravila kako bi omogućila učenje neuronske mreže. To znači da koristi učitelja koji je sposoban izračunati željene rezultate iz određenih inputa koji se unose u mrežu.
Drugim riječima, neuronska mreža s povratnim širenjem uči na primjeru. Programer pruža model učenja koji pokazuje što bi bio ispravan izlaz, s obzirom na određeni skup ulaza. Ovaj ulazno-izlazni primjer je učitelj ili model po kojemu drugi dijelovi mreže mogu modelirati naknadne izračune.
Cijeli proces teče metodički u izmjerenim intervalima. S obzirom na određeni skup ulaza, ANN primjenjuje izračun naučen iz modela kako bi došao do početnog izlaza. Zatim uspoređuje ovaj izlaz s izvorno poznatim, očekivanim ili dobrim rezultatom i po potrebi prilagođava. U procesu se izračunava vrijednost pogreške. To se zatim širi naprijed-natrag kroz neuronsku mrežu za širenje unatrag dok se ne odredi najbolji mogući izlaz.