Geri yayılım (backpropagation), bir yapay sinir ağının öğrenmesini sağlayan temel algoritmadır. Ağ bir tahmin yapar, kayıp fonksiyonu bu tahminin ne kadar yanlış olduğunu tek bir hata sayısına çevirir; geri yayılım da bu hatayı çıkıştan girişe doğru katman katman geriye taşıyarak her bir parametrenin hataya ne kadar katkı yaptığını hesaplar. Matematiksel olarak zincir kuralıyla türev almaktan ibarettir; sonuçta her parametre için “şu yöne şu kadar oynarsan hata azalır” bilgisi (gradyan) çıkar. Parametreleri bu bilgiyle fiilen güncelleyen algoritma ise gradyan inişidir.
Benzetme: bir restoranın yemeği kötü çıktığında şef, hatayı mutfak zincirinde geriye doğru izler — servis mi geç kaldı, fırın mı yanlış ayarlandı, malzeme mi bayattı? Her istasyona hatadaki payı kadar düzeltme talimatı gider. Geri yayılım bunu milyarlarca parametre için, her eğitim adımında otomatik yapar.
Neden önemli?
Geri yayılım olmadan derin ağları eğitmenin pratik bir yolu yoktur; 1986’da Rumelhart, Hinton ve Williams’ın popülerleştirdiği bu algoritma, bugünkü derin öğrenme devriminin matematiksel bel kemiğidir. GPT ve Claude gibi devasa modellerin ön eğitimi de dâhil, modern eğitimin neredeyse tamamı hâlâ aynı temel döngüyle çalışır: ileri geç, hatayı ölç, geriye yay, güncelle.