Základní info
Backpropagation (zpětné šíření chyby) je algoritmus učení v neuronových sítích, který se používá k adaptaci vah v síti, aby se minimalizovala chyba predikce na výstupu sítě. Proces backpropagationu se skládá ze dvou hlavních kroků. Prvním krokem je dopředné šíření, které spočívá v tom, že vstupní data jsou poslána sítí a vypočítají se výstupy pro každý neuron v síti. Druhým krokem je zpětné šíření chyby, které se používá k přizpůsobení vah sítě na základě vypočtené chyby predikce. V praxi se backpropagation používá pro výpočet gradientu cílové funkce vzhledem ke každému parametru v síti. Tento gradient se pak použije k aktualizaci vah sítě pomocí optimalizační metody, jako je například gradientní sestup. Tím se postupně minimalizuje chyba sítě a zlepšuje se její schopnost predikovat. Backpropagation se používá v různých typech neuronových sítí, včetně vícevrstvých perceptronů, konvolučních sítí a rekurentních sítí. Je to jeden z nejdůležitějších algoritmů ve strojním učení a umožňuje trénovat neuronové sítě, které jsou schopny provádět složité úkoly, jako například rozpoznávání obrazů nebo překládání jazyka. Toto školení by mohlo být vhodné pro středně pokročilé až pokročilé účastníky s předchozími zkušenostmi v programování a základy strojového učení. Větší důraz by měl být kladen na praktická cvičení a vytváření vlastních neuronových sítí.
