Perceptron multicouche (MLP)
Un Perceptron multicouche (MLP) est un réseau de neurones classique entièrement connecté et à propagation avant, entraîné par l'algorithme de rétropropagation, tel que formalisé par Rumelhart, Hinton & Williams dans leur article de référence de 1986 dans Nature. Composé d'une couche d'entrée, d'une ou plusieurs couches cachées de neurones, et d'une couche de sortie, le MLP apprend des fonctions non linéaires des caractéristiques d'entrée vers les sorties cibles et sert de bloc de construction fondamental de l'apprentissage profond moderne.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Multilayer Perceptron (Fully Connected Feedforward Neural Network). ScholarGate. https://scholargate.app/fr/deep-learning/multilayer-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.
- Régression logistiqueStatistiques de recherche↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →