Multi-layer Perceptron (MLP)
Multi-layer Perceptron (MLP) je architekturou dopředné neuronové sítě trénované zpětným šířením chyby, formalizovanou Rumelhartem, Hintonem a Williamsem v jejich přelomovém článku v časopise Nature z roku 1986. MLP, složený ze vstupní vrstvy, jedné či více skrytých vrstev neuronů s nelineárními aktivačními funkcemi a výstupní vrstvy, dokáže aproximovat libovolnou spojitou funkci s libovolnou přesností a slouží jako koncepční most mezi klasickým strojovým učením a moderním hlubokým učením.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 6–7). MIT Press. ISBN: 978-0-262-03561-3
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 5). Springer. ISBN: 978-0-387-31073-2
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/cs/machine-learning/multi-layer-perceptron
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Logistická regreseStatistika ve výzkumu↔ compare
- Random ForestStrojové učení↔ compare
- Rekurentní neuronová síťHluboké učení↔ compare
- XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →