Višeslojni perceptron (MLP)
Višeslojni perceptron (MLP) je arhitektura povratne neuronske mreže koja se obučava unazadnim propagiranjem greške, formalizovana od strane Rumelharta, Hintona i Vilijamsa u njihovom značajnom radu iz 1986. u časopisu Nature. Sastavljen od ulaznog sloja, jednog ili više skrivenih slojeva neurona sa nelinearnim aktivacionim funkcijama i izlaznog sloja, MLP može da aproksimira bilo koju neprekidnu funkciju sa proizvoljnom tačnošću i služi kao konceptualni most između klasičnog mašinskog učenja i modernog dubokog učenja.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/sr/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.
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- Рекурентна неуронска мрежаDuboko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →