Summary  
The chapter covers forward propagation for computing outputs and backward propagation for adjusting weights based on error gradients to iteratively minimize prediction error.  

General domain of usage  
Training neural networks in machine learning

**Vorwärtspropagation** bezeichnet den Prozess, bei dem Informationen von der Eingabeschicht zur Ausgabeschicht eines neuronalen Netzwerks weitergeleitet werden. Jeder Neuron verarbeitet seine Eingaben mithilfe von Gewichten und einer Aktivierungsfunktion, gibt sein Ergebnis weiter, und sobald die letzte Schicht erreicht ist, erzeugt das Netzwerk eine **Vorhersage**.

Definition

## Rückwärtspropagation

Nachdem ein neuronales Netzwerk durch Vorwärtspropagation eine Vorhersage getroffen hat, wird dessen Ausgabe **mit den tatsächlichen Daten verglichen**, um den **Fehler** zu berechnen.

**Rückwärtspropagation**, oder **Backpropagation**, ist der Prozess, bei dem dieser Fehler genutzt wird, um rückwärts durch das Netzwerk zu gehen und die **Neuronengewichte anzupassen**.

Durch die Aktualisierung der Gewichte auf diese Weise verringert das Netzwerk schrittweise seinen Fehler und verbessert die Genauigkeit seiner Vorhersagen.


Der Fehler eines neuronalen Netzwerks kann je nach Aufgabe auf unterschiedliche Weise berechnet werden, ist jedoch immer eine **Gleitkommazahl**.

Hinweis

Neuronale Netzwerke lernen, indem sie **Forward**- und **Backward Propagation** viele Male wiederholen. Mit jeder Iteration verbessert sich das Modell, erreicht jedoch nie eine „perfekte Genauigkeit“. Das Training endet, wenn die Leistung akzeptabel ist oder wenn sich das Modell nach vielen Iterationen **nicht weiter verbessert**.

Was ist die Vorwärtspropagation in einem neuronalen Netzwerk?

Was ist Backpropagation in einem neuronalen Netzwerk?

Was passiert nach der Vorwärtspropagation beim Training eines neuronalen Netzwerks?

Neuronale Netze sind leistungsfähige Algorithmen, die von der Struktur des menschlichen Gehirns inspiriert sind und zur Lösung komplexer Machine-Learning-Probleme eingesetzt werden. Sie werden Ihr eigenes neuronales Netz von Grund auf erstellen, um dessen Funktionsweise zu verstehen. Nach diesem Kurs sind Sie in der Lage, neuronale Netze zur Lösung von Klassifikations- und Regressionsproblemen mit der scikit-learn-Bibliothek zu erstellen.

Zunächst besprechen wir, was ein neuronales Netzwerk ist und wie es funktioniert. Außerdem betrachten wir den Anwendungsbereich.

Als Nächstes werden wir versuchen, ein eigenes neuronales Netzwerk zu erstellen und beobachten, wie effizient es das Lernen bewältigt. Außerdem betrachten wir eine fertige Lösung aus der scikit-learn-Bibliothek.

Abschließend erhalten Sie zusätzliche nützliche Informationen darüber, wie Sie das passende Modell auswählen und welche Arten von neuronalen Netzen existieren. Zum Abschluss des Kurses wird Ihr erworbenes Wissen überprüft.

Vorwärts- und Rückwärtspropagation

Vorwärtspropagation

Rückwärtspropagation

1. Was ist die Vorwärtspropagation in einem neuronalen Netzwerk?

2. Was ist Backpropagation in einem neuronalen Netzwerk?

3. Was passiert nach der Vorwärtspropagation beim Training eines neuronalen Netzwerks?