Perceptron multicouche (MLP)
Le Perceptron multicouche (MLP) est une architecture de réseau de neurones à propagation avant, entraînée par rétropropagation, formalisée par Rumelhart, Hinton et Williams dans leur article fondateur de 1986 dans Nature. Composé d'une couche d'entrée, d'une ou plusieurs couches cachées de neurones avec des fonctions d'activation non linéaires, et d'une couche de sortie, le MLP peut approximer toute fonction continue avec une précision arbitraire et sert de pont conceptuel entre l'apprentissage automatique classique et 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.
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. 6–7). 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
Comment citer cette page
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/fr/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.
- Régression logistiqueStatistiques de recherche↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →