Summary
Paper ini menjelaskan prosedur pembelajaran yang menyesuaikan bobot jaringan untuk mengurangi selisih antara output aktual dan output yang diinginkan. Representasi internal terbentuk selama proses pembelajaran.
Strengths
- Menjelaskan mekanisme pembelajaran representasi internal.
- Menjadi fondasi praktis training neural network berlapis.
- Menghubungkan error output dengan perubahan bobot di lapisan sebelumnya.
Limitations
- Eksperimen berada pada skala kecil dibanding jaringan modern.
- Training jaringan dalam tetap menghadapi masalah optimasi.
- Paper belum mencakup teknik modern seperti normalization dan residual connection.
Conclusion
Backpropagation menjadi salah satu ide inti deep learning: model dapat mempelajari representasi internal melalui sinyal error.
Reading guide
Fokus pada cara error dipropagasikan ke belakang, lalu coba lab neural network untuk melihat loss turun per epoch.