Multilayer-Perzeptron (MLP)
Das Multilayer-Perzeptron (MLP) ist eine Feedforward-Neuronale-Netzwerk-Architektur, die mittels Backpropagation trainiert wird und 1986 von Rumelhart, Hinton und Williams in ihrer wegweisenden Nature-Publikation formalisiert wurde. Bestehend aus einer Eingabeschicht, einer oder mehreren versteckten Schichten von Neuronen mit nichtlinearen Aktivierungsfunktionen und einer Ausgabeschicht, kann das MLP jede kontinuierliche Funktion mit beliebiger Genauigkeit approximieren und dient als konzeptionelle Brücke zwischen klassischem maschinellem Lernen und modernem Deep Learning.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/de/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.
- Logistische RegressionForschungsstatistik↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
- XGBoostMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →