Summary  
This chapter covers the implementation of forward and backward propagation to compute prediction error and iteratively update model weights for training a neural network.

General domain of usage  
Machine learning model training

La **propagation avant** est le processus par lequel l'information circule de la couche d'entrée à la couche de sortie d'un réseau de neurones. Chaque neurone traite ses entrées à l'aide de poids et d'une fonction d'activation, transmet sa sortie vers l'avant, et une fois la couche finale atteinte, le réseau produit une **prédiction**.

Définition

## Propagation arrière

Après qu'un réseau de neurones a effectué une prédiction via la propagation avant, sa sortie est **comparée aux données réelles** afin de calculer l'**erreur**.

La **rétropropagation**, ou **backpropagation**, est le processus d'utilisation de cette erreur pour remonter à travers le réseau et **ajuster les poids des neurones**.

En mettant à jour les poids de cette manière, le réseau réduit progressivement son erreur et améliore la précision de ses prédictions.


L’erreur du réseau de neurones peut être calculée de différentes manières selon la tâche, mais elle est toujours un **nombre à virgule flottante**.

Remarque

Les réseaux de neurones apprennent en répétant de nombreuses fois la **propagation avant** et la **rétropropagation**. À chaque itération, le modèle s'améliore, mais il n'atteint jamais une « précision parfaite ». L'entraînement se termine lorsque la performance devient acceptable ou lorsque le modèle **cesse de s'améliorer** après de nombreuses itérations.

Qu'est-ce que la propagation avant dans un réseau de neurones ?

Qu'est-ce que la rétropropagation dans un réseau de neurones ?

Lors de l'entraînement d'un réseau de neurones, que se passe-t-il après l'étape de propagation avant ?

Se concentre sur les bases mathématiques et les mécanismes fondamentaux des réseaux de neurones. Présente la mise en œuvre des perceptrons, des fonctions d'activation, de la propagation avant et arrière, du calcul de la perte et de la descente de gradient à partir de zéro en utilisant Python et NumPy, sans recourir à des frameworks de haut niveau. Offre une expérience pratique et une compréhension approfondie du fonctionnement des réseaux de neurones au niveau le plus fondamental.

Propagation Avant et Arrière

Propagation avant

Propagation arrière

1. Qu'est-ce que la propagation avant dans un réseau de neurones ?

2. Qu'est-ce que la rétropropagation dans un réseau de neurones ?

3. Lors de l'entraînement d'un réseau de neurones, que se passe-t-il après l'étape de propagation avant ?