يتمثل التعلم في حالة بسيطة من “ما قبل” و"ما بعد"؛ إذ يتم إدخال المدخلات نفسها إلى الشبكة، لكن المخرجات تتغير بعد عملية التدريب، ويمكن قياس هذا التغير من خلال درجة الخطأ.
يضع هذا الدرس تعريفاً ملموساً للتعلم ولحلقة التدريب التي ستناقشها وتحللها في الدروس اللاحقة.
في البداية، عادةً ما تنتج الشبكة العصبية تنبؤات غير مستقرة لأن معاملاتها (parameters) تبدأ كأرقام عشوائية صغيرة. وإذا قمت بإدخال المدخلات نفسها () إلى الكود البرمجي ذاته مرتين دون أي تغيير، فستظل المخرجات ثابتة، وإن كانت قد تكون خاطئة بشكل متسق.
بعد استمرار التدريب لفترة، تظل المدخلات () كما هي، لكن التنبؤ () غالباً ما يتغير مقترباً من التصنيف الصحيح ()؛ وذلك لأن الأوزان قد تم تحديثها خلال تلك الفترة. وهذا هو السلوك الجوهري الملموس الذي يمكنك التحقق منه قبل الخوض في أي جوانب نظرية.
استخدم مثال التصنيف التفاعلي للمقارنة بين التخمينات العشوائية الأولية ومستوى الدقة بعد عدة خطوات من التحديث.
ينشأ هذا التغيير بناءً على قياس صريح؛ إذ تُصدر الشبكة تنبؤاً ، وتقوم أنت بمقارنته بالتصنيف المستهدف وحساب مقياس للخطأ يخصص قيمة أكبر للتنبؤات الأقل دقة وقيمة أصغر للتنبؤات الأكثر دقة.
تتضمن عملية التدريب خطوة تحديث تُجري تعديلاً طفيفاً على المعاملات (parameters)، بحيث يميل التنبؤ التالي إلى إحداث خطأ أقل عند التعامل مع أمثلة مشابهة. فالتعلم ليس مجرد حالة أو ميزة، بل هو عملية متكررة تتغير فيها قيم المعاملات استجابةً للخطأ المقاس الذي يدفعها نحو ذلك التغيير.
استكشف طبيعة العلاقات بين هذه المصطلحات ضمن آلية الربط التي تجمع بين المعاملات، والتنبؤات، والتصنيفات، ومقياس الخطأ، وخطوة التحديث.