Monikerki- tai monikerroksinen perseptroni (MLP)
Monikerroksinen perseptroni (MLP) on eteenpäinsyöttävä neuroverkkoarkkitehtuuri, jota koulutetaan takaisinleviämisellä. Rumelhart, Hinton ja Williams formalisoivat sen uraauurtavassa vuoden 1986 Nature-artikkelissaan. MLP koostuu syötekerroksesta, yhdestä tai useammasta piilokerroksesta, joissa on epälineaarisia aktivointifunktioita, ja tuloskerroksesta. Se pystyy approksimoimaan minkä tahansa jatkuvan funktion mielivaltaisella tarkkuudella ja toimii käsitteellisenä siltana klassisen koneoppimisen ja modernin syväoppimisen välillä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/fi/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.
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- Random ForestKoneoppiminen↔ compare
- Rekurrentti neuroverkkoSyväoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →