پِرسِپترون چندلایهای (MLP)
پِرسِپترون چندلایهای (MLP) یک شبکه عصبی پیشخور کاملاً متصل کلاسیک است که با الگوریتم پسانتشار خطا آموزش داده میشود، همانطور که در مقاله برجسته سال ۱۹۸۶ در Nature توسط Rumelhart، Hinton & Williams تدوین شده است. MLP که از یک لایه ورودی، یک یا چند لایه پنهان از نورونها و یک لایه خروجی تشکیل شده است، نگاشتهای غیرخطی را از ویژگیهای ورودی به خروجیهای هدف یاد میگیرد و به عنوان بلوک سازنده اساسی یادگیری عمیق مدرن عمل میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
+4 مورد دیگر
منابع
- 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. 6–8). 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Multilayer Perceptron (Fully Connected Feedforward Neural Network). ScholarGate. https://scholargate.app/fa/deep-learning/multilayer-perceptron
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- رگرسیون لجستیکآمار پژوهش↔ مقایسه
- جنگل تصادفییادگیری ماشین↔ مقایسه
- شبکه عصبی بازگشتییادگیری عمیق↔ مقایسه
- XGBoostیادگیری ماشین↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →