بازگشت به فهرست مقالات

    Learning representations by back-propagating errors

    Geoffrey E. HintonDavid E. RumelhartRonald J. Williams
    📅 1986🏛 Nature
    مسئله

    ارائه‌ی روشی کارا برای محاسبه‌ی گرادیان تابع خطا در شبکه‌های چندلایه.

    روش

    معرفی الگوریتم پس‌انتشار خطا با استفاده از قاعده‌ی زنجیره‌ای.

    یافته

    امکان آموزش شبکه‌های عمیق و یادگیری بازنمایی‌های پیچیده فراهم شد.

    محدودیت‌ها

    احتمال گیر افتادن در بهینه‌ی محلی و وابستگی به تنظیم فراپارامترها.

    کاربرد عملی

    زیربنای ریاضی تمام سیستم‌های یادگیری عمیق در پردازش تصویر، تصمیم‌گیری و کنترل.

    📇 فلش‌کارت خلاصه — 13 فیلد تحلیلی برای این مقاله

    خلاصه

    مقاله‌ی بنیادین که الگوریتم پس‌انتشار خطا را معرفی کرد.

    نمای سریع

    Rumelhart, Hinton & Williams (1986). Nature, 323, 533-536.

    یافته‌های کلیدی

    امکان آموزش شبکه‌های عمیق و یادگیری بازنمایی‌های پیچیده فراهم شد.

    هدف

    معرفی روشی برای آموزش شبکه‌های چندلایه با قاعده‌ی زنجیره‌ای.

    روش

    معرفی الگوریتم پس‌انتشار خطا با استفاده از قاعده‌ی زنجیره‌ای.

    نتایج

    شبکه‌های عصبی می‌توانند بازنمایی‌های داخلی مفیدی بیاموزند.

    نتیجه‌گیری

    پس‌انتشار خطا الگوریتمی کلیدی برای یادگیری عمیق است.

    مفاهیم کلیدی

    پس‌انتشار خطا، شبکه‌های عصبی، قاعده‌ی زنجیره‌ای، گرادیان، یادگیری عمیق

    مطالعه‌ی بیشتر

    https://doi.org/10.1038/323533a0

    تحلیل

    یکی از پراستنادترین مقالات تاریخ هوش مصنوعی.

    محدودیت‌ها

    احتمال گیر افتادن در بهینه‌ی محلی و وابستگی به تنظیم فراپارامترها.

    کارهای آینده

    رفع محو شدن گرادیان و افزایش سرعت همگرایی.

    کاربرد عملی

    زیربنای ریاضی تمام سیستم‌های یادگیری عمیق در پردازش تصویر، تصمیم‌گیری و کنترل.

    ارجاعات (این مقاله از این‌ها استفاده کرده) (0)

    ارجاعی ثبت نشده است.

    ارجاع‌شده توسط (0) ▶

    هنوز مقاله‌ای به این ارجاع نداده است.

    مسیر یادگیری پیش‌نیاز این مقاله