# Etkileşimli Geri Yayılım

<div class="mlv-demo-links">
  <a class="mlv-demo-link" href="interactive_neural_loss_landscape.html">Kayıp Yüzeyi</a>
  <a class="mlv-demo-link" href="interactive_neural_transformations.html">Dönüşümler</a>
  <a class="mlv-demo-link" href="interactive_neural_network.html">Fonksiyon Yaklaştırma</a>
  <a class="mlv-demo-link active" href="interactive_backpropagation.html">Geri Yayılım</a>
  <a class="mlv-demo-link secondary" href="neural_network.html">Notebook</a>
  <a class="mlv-demo-link secondary" href="../_static/demos/neural-backpropagation.html">Tam Ekran Demo</a>
</div>

<div class="mlv-demo-hero">
  <div class="mlv-demo-kicker">Bölüm 4 / Geri Yayılım</div>
  <p class="mlv-demo-lead">Bu demoda ağın XOR verisi üzerinde gerçek gradyanlarla nasıl güncellendiğini adım adım izleyebilirsin. İstersen ağırlıkları elle oynat, istersen eğitim düğmeleriyle parametrelerin hangi yönde itildiğini canlı olarak gör.</p>
</div>

<div class="mlv-demo-grid">
  <div class="mlv-demo-panel">
    <strong>Ne Yap</strong>
    <span>`1 adım eğit` ile küçük düzeltmeleri, `20 adım eğit` ile daha belirgin toparlanmayı karşılaştır.</span>
  </div>
  <div class="mlv-demo-panel">
    <strong>Ne Gör</strong>
    <span>En güçlü gradyan hangi parametredeyse, ağ o anda en sert düzeltmeyi orada yapar.</span>
  </div>
  <div class="mlv-demo-panel">
    <strong>Neden Önemli</strong>
    <span>Bu süreç, çok katmanlı ağlarda öğrenmenin merkezidir; tüm modern derin öğrenme bunun üstüne kurulur.</span>
  </div>
</div>

<div class="mlv-demo-note">
Kayıp küçüldükçe karar yüzeyi örneklere daha uygun hale gelir. En büyük gradyan hangi parametredeyse, ağ o anda en sert düzeltmeyi orada yapmaya çalışır.
</div>

<iframe
  class="mlv-demo-frame"
  src="../_static/demos/neural-backpropagation.html"
  title="Etkileşimli Geri Yayılım Demosu"
  loading="lazy"
  frameborder="0"
></iframe>