بعد از اینکه پرسیپترون توی دهه ۶۰ گیر کرد و تحقیقات شبکه‌های عصبی تقریبا خوابید، همه فکر می‌کردن این مسیر بن‌بست شده. اما یک الگوریتم ساده و نابغه‌وار دوباره بهش جان داد: پس‌انتشار خطا یا Backpropagation. 🚀
🔍 ایده از کجا اومد؟📚
مفهوم اصلی از ریاضیات مشتق‌گیری زنجیره‌ای میاد، ولی اولین جرقه‌هاش تو دهه ۷۰ زده شد. با این حال، سال ۱۹۸۶ بود که «جفری هینتون»، «دیوید پارکر» و چند محقق دیگه این روش رو کامل معرفی و محبوب کردند. اونا نشون دادن که میشه با این روش، چندین لایه مخفی رو همزمان آموزش داد — چیزی که پرسیپترون کلاسیک بلد نبود.💡 چی کار می‌کرد؟
خیلی خلاصه: شبکه اول یک پیش‌بینی می‌کنه، خطا (تفاوت با جواب درست) حساب میشه، بعد این خطا از خروجی به عقب برمی‌گرده و وزن‌های هر اتصال رو به‌روز می‌کنه تا خطا کمتر و کمتر بشه. مثل یک معلم که بعد از هر امتحان، دقیق بهت میگه کجا اشتباه کردی.⚡ تاثیرش چی بود؟
پس‌انتشار خطا، مسیر یادگیری عمیق رو باز کرد. از تشخیص گفتار و تصویر در دهه ۹۰ گرفته تا انفجار یادگیری عمیق در دهه ۲۰۱۰، همه مدیون این ایده هستن. بدون اون، نه ChatGPT بود، نه بینایی ماشین مدرن و نه هرچیزی که از هوش مصنوعی مدرن میدونیم.📌 مرجع تخصصی هوش مصنوعی و علم داده
🤖 دیتایاد / datayad@