1. 가중치(W)와 임계치를 초기화하고, 입력(X)와 목표 출력(d)을 제시한다.

2. 입력 벡터를 이용하여 (   (a)   )층의 뉴런에 입력되는 값을 계산한다.

input_pj = Sum(i=0, N-1)Xpi*Wij - (임계치)

3. (   (a)   )층의 뉴런의 출력을 Sigmoid 함수를 이용하여 계산한다.

4. (   (a)   )층의 출력을 이용하여 (   (b)   )층의 뉴런에 입력되는 값을 계산한다.

5. (   (b)   )층의 뉴런의 출력을 Sigmoid 함수를 이용하여 계산한다.

6. 신경망 가중치 gradient를 계산한다.

dEp/dWjk = (dpk-Opk)(   (c)   )(1-Opk)Opj = ?pkOpj

dEp/dWij = Sum(k=0, M-1)((   (d)   )*?pk)Opj(1-Opj)Xpi = ?pjXpi

7. ((   (b)   )층-(   (a)   )층), ((   (a)   )층-입력층) 간의 가중치를 갱신한다.

Wjk(t+1) = Wjk(t) + a?pkOpj

Wij(t+1) = Wij(t) + a?pjXpi

8. 수렴할 때까지 학습을 반복한다.