ในโลกของการเขียนโปรแกรมคอมพิวเตอร์และปัญญาประดิษฐ์เครือข่ายประสาท backpropagation เป็นเพียงเครือข่ายประสาทเทียม (ANN) ที่ใช้ backpropagation Backpropagation เป็นพื้นฐานและเป็นอัลกอริทึมที่ใช้กันทั่วไปซึ่งสั่งให้ ANN วิธีดำเนินงานที่กำหนด แม้ว่าแนวคิดนี้อาจดูสับสนและหลังจากดูสมการที่จำเป็นในระหว่างกระบวนการนั้นดูเหมือนว่าต่างไปจากเดิมอย่างสิ้นเชิงแนวคิดนี้พร้อมกับโครงข่ายประสาทเทียมที่สมบูรณ์นั้นค่อนข้างเข้าใจได้ง่าย
สำหรับผู้ที่ไม่คุ้นเคยกับโครงข่ายประสาทเทียม ANN หรือเพียงแค่ NN ซึ่งย่อมาจาก“ โครงข่ายประสาทเทียม” เป็นแบบจำลองทางคณิตศาสตร์ที่มีรูปแบบตามคุณสมบัติบางอย่างของเครือข่ายประสาทในชีวิตจริงเช่นที่พบในสิ่งมีชีวิต สมองของมนุษย์เป็นเครือข่ายประสาทขั้นสูงสุดที่ทำงานได้ให้เบาะแสบางอย่างเกี่ยวกับวิธีการปรับปรุงโครงสร้างและการทำงานของ NN ประดิษฐ์ เช่นเดียวกับสมองที่พื้นฐานที่สุด ANN มีเครือข่ายของเซลล์ประสาทเทียมที่เชื่อมโยงถึงกันซึ่งประมวลผลข้อมูล
สิ่งที่น่าสนใจเกี่ยวกับมันคือ ANN สามารถปรับและดัดแปลงโครงสร้างของมันได้เมื่อจำเป็นตามข้อมูลที่ได้รับจากสภาพแวดล้อมและจากภายในเครือข่าย มันเป็นรูปแบบการคำนวณที่ซับซ้อนที่ใช้การวิเคราะห์ข้อมูลทางสถิติที่ไม่ใช่เชิงเส้นและสามารถตีความความสัมพันธ์ที่ซับซ้อนระหว่างข้อมูลเช่นอินพุตและเอาต์พุต สามารถแก้ปัญหาที่ไม่สามารถแก้ไขได้ด้วยวิธีการคำนวณแบบดั้งเดิม
ความคิดสำหรับเครือข่ายประสาท backpropagation แรกมารอบในปี 1969 จากงานของ Arthur E. Bryson และ Yu-Chi Ho ในปีต่อ ๆ มาโปรแกรมเมอร์และนักวิทยาศาสตร์คนอื่นได้กลั่นกรองความคิดนี้ เริ่มต้นในปี 1974 เครือข่ายประสาท backpropagation มาถึงได้รับการยอมรับว่าเป็นความก้าวหน้าทางนวัตกรรมในการศึกษาและการสร้างเครือข่ายประสาทเทียม
การเรียนรู้เครือข่ายนิวรัลเป็นงานสำคัญภายใน ANN ที่ช่วยให้มั่นใจว่าจะสามารถประมวลผลข้อมูลได้อย่างถูกต้องและทำงานได้อย่างถูกต้อง เครือข่ายประสาท backpropagation ใช้รูปแบบทั่วไปของกฎเดลต้าเพื่อเปิดใช้งานการเรียนรู้เครือข่ายประสาท ซึ่งหมายความว่ามันใช้ประโยชน์จากครูที่สามารถคำนวณเอาท์พุทที่ต้องการจากอินพุตที่ป้อนเข้าสู่เครือข่าย
กล่าวอีกนัยหนึ่งเครือข่ายประสาท backpropagation เรียนรู้จากตัวอย่าง โปรแกรมเมอร์จัดเตรียมโมเดลการเรียนรู้ที่แสดงให้เห็นว่าเอาต์พุตที่ถูกต้องจะเป็นอย่างไร ตัวอย่างอินพุต - เอาท์พุตนี้คือครูหรือรุ่นที่ส่วนอื่น ๆ ของเครือข่ายสามารถจัดรูปแบบการคำนวณที่ตามมาภายหลังได้
กระบวนการทั้งหมดดำเนินการอย่างเป็นระบบในช่วงเวลาที่วัดได้ ด้วยชุดอินพุตที่แน่นอน ANN จะใช้การคำนวณที่เรียนรู้จากแบบจำลองเพื่อสร้างเอาต์พุตเริ่มต้น จากนั้นเปรียบเทียบเอาต์พุตนี้กับเอาต์พุตที่รู้จักเป็นที่คาดหวังหรือดีและทำการปรับเปลี่ยนตามต้องการ ในกระบวนการคำนวณค่าความผิดพลาด นี่คือการแพร่กระจายไปมาผ่านเครือข่ายประสาท backpropagation จนกว่าจะได้รับผลลัพธ์ที่ดีที่สุด
