Perceptron wielowarstwowy (MLP)
Perceptron wielowarstwowy (MLP) to architektura sieci neuronowej typu feedforward, trenowana za pomocą propagacji wstecznej, sformalizowana przez Rumelharta, Hintona i Williamsa w ich przełomowym artykule z 1986 roku w czasopiśmie Nature. Składający się z warstwy wejściowej, jednej lub więcej warstw ukrytych neuronów z nieliniowymi funkcjami aktywacji oraz warstwy wyjściowej, MLP może aproksymować dowolną funkcję ciągłą z dowolną dokładnością i służy jako pomost koncepcyjny między klasycznym uczeniem maszynowym a nowoczesnym uczeniem głębokim.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/pl/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.
- Regresja logistycznaStatystyka w badaniach↔ compare
- Random ForestUczenie maszynowe↔ compare
- Rekurencyjna Sieć NeuronowaUczenie głębokie↔ compare
- XGBoostUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →