Πολυεπίπεδο Αντιληπτήρα (MLP)
Ο Πολυεπίπεδος Αντιληπτήρας (MLP) είναι μια αρχιτεκτονική νευρωνικού δικτύου προώθησης, εκπαιδευμένη με οπισθοδιάδοση, η οποία τυποποιήθηκε από τους Rumelhart, Hinton και Williams στην κομβική τους δημοσίευση στο Nature του 1986. Αποτελούμενος από ένα επίπεδο εισόδου, ένα ή περισσότερα κρυφά επίπεδα νευρώνων με μη γραμμικές συναρτήσεις ενεργοποίησης και ένα επίπεδο εξόδου, ο MLP μπορεί να προσεγγίσει οποιαδήποτε συνεχή συνάρτηση με αυθαίρετη ακρίβεια και χρησιμεύει ως η εννοιολογική γέφυρα μεταξύ της κλασικής μηχανικής μάθησης και της σύγχρονης βαθιάς μάθησης.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/el/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.
- Λογιστική ΠαλινδρόμησηΕρευνητική Στατιστική↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- Αναδρομικό Νευρωνικό ΔίκτυοΒαθιά Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →