Багатошаровий перцептрон (MLP)
Багатошаровий перцептрон (MLP) — це архітектура нейронної мережі прямого поширення, що навчається методом зворотного поширення помилки, формалізована Румельхартом, Хінтоном та Вільямсом у їхній знаковій статті 1986 року в журналі Nature. Складаючись з вхідного шару, одного або кількох прихованих шарів нейронів з нелінійними функціями активації та вихідного шару, MLP може апроксимувати будь-яку неперервну функцію з довільною точністю і слугує концептуальним містком між класичним машинным навчанням та сучасним глибоким навчанням.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/uk/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.
- Логістична регресіяСтатистика досліджень↔ compare
- Випадковий лісМашинне навчання↔ compare
- Рекурентна нейронна мережаГлибоке навчання↔ compare
- XGBoostМашинне навчання↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →