Multi-layer Perceptron (MLP)
Il Multi-layer Perceptron (MLP) è un'architettura di rete neurale feedforward addestrata tramite backpropagation, formalizzata da Rumelhart, Hinton e Williams nel loro fondamentale articolo del 1986 su Nature. Composto da uno strato di input, uno o più strati nascosti di neuroni con funzioni di attivazione non lineari e uno strato di output, l'MLP può approssimare qualsiasi funzione continua con accuratezza arbitraria e funge da ponte concettuale tra il machine learning classico e il deep learning moderno.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/it/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.
- Regressione LogisticaStatistica per la ricerca↔ compare
- Random ForestApprendimento automatico↔ compare
- Reti neurali ricorrentiApprendimento profondo↔ compare
- XGBoostApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →