Daudzslāņu perceptrons (MLP)
Daudzslāņu perceptrons (MLP) ir uz priekšu vērsta neironu tīkla arhitektūra, ko apmāca ar atpakaļizplatīšanu, ko formalizējuši Rumelhart, Hinton un Williams savā nozīmīgajā 1986. gada Nature publikācijā. Sastāvot no ievades slāņa, viena vai vairākiem slēptajiem neironu slāņiem ar nelineārām aktivācijas funkcijām un izvades slāņa, MLP var patvaļīgi precīzi tuvināt jebkuru nepārtrauktu funkciju un kalpo kā konceptuāls tilts starp klasisko mašīnmācīšanos un moderno dziļo mācīšanos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/lv/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.
- Logistiskā regresijaPētniecības statistika↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Atkārtotais neironu tīklsDziļā mācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →