Многослойный перцептрон (MLP)
Многослойный перцептрон (MLP) — это архитектура нейронной сети прямого распространения, обучаемая методом обратного распространения ошибки, формализованная Румельхартом, Хинтоном и Уильямсом в их основополагающей статье 1986 года в журнале Nature. Состоящий из входного слоя, одного или нескольких скрытых слоев нейронов с нелинейными функциями активации и выходного слоя, MLP может аппроксимировать любую непрерывную функцию с произвольной точностью и служит концептуальным мостом между классическим машинным обучением и современным глубоким обучением.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/ru/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.
- Логистическая регрессияСтатистика исследований↔ compare
- Случайный лесМашинное обучение↔ compare
- Рекуррентная нейронная сетьГлубокое обучение↔ compare
- XGBoostМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →