Multi-layer Perceptron (MLP)
Multi-layer Perceptron (MLP) คือสถาปัตยกรรมโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า (feedforward neural network) ที่ได้รับการฝึกฝนด้วยวิธี backpropagation ซึ่งถูกทำให้เป็นรูปธรรมโดย Rumelhart, Hinton, และ Williams ในบทความสำคัญของพวกเขาในปี 1986 ในวารสาร Nature ประกอบด้วยชั้นอินพุต (input layer) หนึ่งชั้นหรือมากกว่านั้นของเซลล์ประสาท (neurons) ที่มีฟังก์ชันกระตุ้นแบบไม่เชิงเส้น (nonlinear activation functions) และชั้นเอาต์พุต (output layer) MLP สามารถประมาณฟังก์ชันต่อเนื่องใดๆ ได้ด้วยความแม่นยำตามต้องการ และทำหน้าที่เป็นสะพานเชื่อมเชิงแนวคิดระหว่างการเรียนรู้ของเครื่องแบบดั้งเดิม (classical machine learning) และการเรียนรู้เชิงลึกสมัยใหม่ (deep learning)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/th/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.
- การถดถอยโลจิสติกสถิติการวิจัย↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)การเรียนรู้เชิงลึก↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare