Hoe leert een neuraal netwerk? Backpropagation
Cursussen › Cursus 1 · Hoe AI écht werkt
Elke keer dat een neuraal netwerk een fout maakt, past het zichzelf een klein beetje aan. Dat proces heet backpropagation: het netwerk berekent hoe groot de fout was, werkt daarna terug door zijn eigen lagen, en stelt de interne "knoppen" (gewichten) bij zodat de volgende voorspelling iets beter uitvalt.
Het is het hart van hoe moderne AI-modellen getraind worden — van beeldherkenning tot taalmodellen. Zonder dit mechanisme zou een neuraal netwerk nooit verbeteren, hoe groot het ook is. In deze module leer je stap voor stap hoe dat leerproces werkt en waarom het zo krachtig — maar ook zo traag en rekenintensief — is.
In deze module leer je
- Hoe een neuraal netwerk een fout meet en terugrekent naar zijn gewichten
- Wat "gewichten aanpassen" in de praktijk betekent
- Waarom trainen veel rekenkracht en data vraagt
- Wat er misgaat als een netwerk te gretig of te voorzichtig leert
Veelgestelde vragen
Een neuraal netwerk leert door steeds een voorspelling te doen, de fout te meten en via backpropagation zijn interne gewichten bij te stellen. Na duizenden tot miljoenen herhalingen worden de voorspellingen steeds beter.
Backpropagation is het terugrekenen van een fout door het netwerk: van de uitvoer terug naar de invoer, laag voor laag. Elke laag krijgt een klein deel van de schuld en past zijn gewichten een stukje aan.
Dat hangt sterk af van de grootte van het netwerk en de hoeveelheid data. Kleine modellen trainen in minuten; de grote taalmodellen achter ChatGPT kosten maanden op duizenden gespecialiseerde chips.
Deze module zit in de cursus Hoe AI écht werkt. Module 1 van AILogica is gratis.
Meer uit deze cursus: Hoe werkt een neural network écht? · Transformers en attention uitgelegd