پرسپترون چندلایه (MLP)
پرسپترون چندلایه (MLP) یک معماری شبکه عصبی پیشخور است که با پسانتشار آموزش داده میشود و توسط روملهارت، هینتون و ویلیامز در مقاله برجسته سال ۱۹۸۶ خود در نیچر تدوین شد. MLP که از یک لایه ورودی، یک یا چند لایه پنهان از نورونها با توابع فعالسازی غیرخطی، و یک لایه خروجی تشکیل شده است، میتواند هر تابع پیوستهای را با دقت دلخواه تقریب بزند و به عنوان پل مفهومی بین یادگیری ماشین کلاسیک و یادگیری عمیق مدرن عمل میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
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. 6–7). 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/fa/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.
- رگرسیون لجستیکآمار پژوهش↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- شبکه عصبی بازگشتییادگیری عمیق↔ compare
- XGBoostیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →