همانطور که میدانید استفاده از یادگیری عمیق و شبکه های عصبی تحولی عظیم در علم هوش مصنوعی و کاربرد های آن داشته است. به صورتی که امروزه بسیاری از وظایف پیچیده و حیاتی انسان ها را می توان به شبکه های عصبی و یادگیری عمیق سپرد. ( برای خواندن بیشتر در رابطه با شبکه های عصبی کلیک کنید.) وظایفی از جمله تشخیص بیماری ها و موارد پاتولوژیک از روی تصاویر رادیولوژیک، خودرو های خودران و رانندگی، ربات های مکالمه گر -چت بات- ها و… .
اما سوالی که ذهن را درگیر می کند این است که، این شبکه های عصبی چگونه برای انجام این وظایف تربیت می شوند؟ جواب این سوال تا حد بسیار زیادی با نحوه یادگیری تطابق دارد؛ یک کودک تازه متولد شده به مرور و طی سالیان از طریق حواس مختلف (ورودی های داده ذهن) می شنود، می بیند، لمس می کند و به صورت کلی داده ها مختلف را وارد ذهن خود کرده و پردازش می کند تا بیاموزد. شبکه های عصبی هم با استفاده از داده های مختلف سعی بر یادگیری روند ها و نتیجه گیری از این داده ها می کنند.
شبکه های عمیق این فرایند را به وسیله 2 مرحله انجام میدهند:
1 - " انتشار جلو گرد" (Forward Propagation )
2 - " انتشار عقبگرد " (Backward Propagation )
(در دو پست جداگانه به هر کدام از این مراحل اشاره خواهد شد.)
چیزی که بیشتر از همه در یادگیری شبکه های عمیق و به صورت کلی یادگیری ماشین اهمیت دارد، داده (Data) است.
دیتا مانند سوختی برای موتور یادگیری ماشین است؛ بدون دیتا حتی اگر پیچیده ترین و بی نقص ترین شبکه ها و architecture های عصبی ( شبکه های عصبی آموزش داده نشده ) را هم داشته باشیم، نتیجه ای حاصل نمی شود. مانند این است که پیشرفته ترین اتومبیل ها را داشته باشیم ولی چون سوختی نداریم، نمی توان از این اتومبیل استفاده کرد.
به صورت خلاصه، داده ها طی دو مرحله forward propagation و backward propagation به شبکه عصبی وارد می شوند (feed شدن) و شبکه عصبی اطلاعات لازم را می آموزد.
