Multi-layer Perceptron (MLP)
Multi-layer Perceptron (MLP) ialah seni bina rangkaian saraf suapan hadapan yang dilatih menggunakan pembalikan kesilapan (backpropagation), yang diformalkan oleh Rumelhart, Hinton, dan Williams dalam kertas mercu tanda mereka pada tahun 1986 di Nature. Terdiri daripada lapisan input, satu atau lebih lapisan tersembunyi neuron dengan fungsi pengaktif tak linear, dan lapisan output, MLP boleh menghampiri sebarang fungsi selanjar pada ketepatan yang sewenang-wenangnya dan berfungsi sebagai jambatan konseptual antara pembelajaran mesin klasik dan pembelajaran mendalam moden.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/ms/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.
- Regresi LogistikStatistik Penyelidikan↔ compare
- Random ForestPembelajaran Mesin↔ compare
- Jaringan Saraf BerulangPembelajaran Mendalam↔ compare
- XGBoostPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →