മൾട്ടിലെയർ പെർസെപ്ട്രോൺ (MLP) ഒരു കാസ്കേഡിൽ ബന്ധിപ്പിച്ചിരിക്കുന്ന ന്യൂറോണുകളുടെ ഒന്നിലധികം പാളികൾ ഉൾക്കൊള്ളുന്ന ഒരു കൃത്രിമ ന്യൂറൽ നെറ്റ്വർക്ക് മോഡലാണ് (അതിനാൽ "മൾട്ടിലെയർ" എന്ന് പേര്). MLP യുടെ ഏറ്റവും വ്യാപകമായി ഉപയോഗിക്കുന്ന തരം ഫീഡ്-ഫോർവേഡ് നെറ്റ്വർക്കാണ്, ഇവിടെ വിവരങ്ങൾ ഇൻപുട്ടിൽ നിന്ന് ഔട്ട്പുട്ടിലേക്ക് ഒരു ദിശയിലേക്ക് കൈമാറുന്നു. പാറ്റേൺ തിരിച്ചറിയൽ, ഇമേജ് പ്രോസസ്സിംഗ്, ടൈം-സീരീസ് വിശകലനം എന്നിങ്ങനെയുള്ള വിവിധ ആപ്ലിക്കേഷനുകൾക്കായി MLP-കൾ ഉപയോഗിക്കാം.
ഒരു MLP-യുടെ കാതൽ നെറ്റ്വർക്കിലെ കമ്പ്യൂട്ടിംഗ് പ്രവർത്തനങ്ങളുടെ യൂണിറ്റുകളായി പ്രവർത്തിക്കുന്ന പരസ്പര ബന്ധിത ന്യൂറോണുകളുടെ വാസ്തുവിദ്യയാണ്. ഓരോ ന്യൂറോണും മുമ്പത്തെ ലെയറിൽ നിന്ന് ഇൻപുട്ടുകൾ സ്വീകരിക്കുകയും ലീനിയർ അല്ലെങ്കിൽ നോൺ-ലീനിയർ ആക്റ്റിവേഷൻ ഫംഗ്ഷനിലൂടെ വിവരങ്ങൾ കൈമാറുകയും ചെയ്യുന്നു. ആക്ടിവേഷൻ ഫംഗ്ഷന്റെ ഔട്ട്പുട്ട് അടുത്ത ലെയറിലേക്കും മറ്റും കൈമാറുന്നു. MLP-യുടെ അവസാന പാളി, പ്രശ്നത്തിന്റെ സ്വഭാവമനുസരിച്ച് പ്രവചനഫലം വ്യാഖ്യാനിക്കാനും അവതരിപ്പിക്കാനും ഉപയോഗിക്കുന്ന ഒരു ഔട്ട്പുട്ട് ലെയറാകാം.
ഒരു സൂപ്പർവൈസുചെയ്ത MLP-യ്ക്ക്, ആവശ്യമുള്ള ഔട്ട്പുട്ടുകളിലേക്ക് ഇൻപുട്ട് ഡാറ്റ കൃത്യമായി മാപ്പ് ചെയ്യാൻ കഴിയുന്ന തരത്തിൽ നെറ്റ്വർക്കുകളുടെ പാരാമീറ്ററുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്ന പ്രക്രിയയാണ് പരിശീലനം. നെറ്റ്വർക്കിലെ ഓരോ ന്യൂറോണിന്റെയും ഭാരം ക്രമീകരിക്കാൻ ഉപയോഗിക്കുന്ന ഗണിതശാസ്ത്ര രീതികളായ ബാക്ക്പ്രൊപഗേഷൻ അൽഗോരിതം ഉപയോഗിക്കുന്നത് ഈ പ്രക്രിയയിൽ ഉൾപ്പെടുന്നു. ഒരു എംഎൽപിയുടെ നിർമ്മാണത്തിലെ ഏറ്റവും പ്രധാനപ്പെട്ട ഘട്ടമാണ് പരിശീലനം, കാരണം പരിശീലനമില്ലാത്ത നെറ്റ്വർക്കിന് പ്രവചന ശക്തിയില്ല.
ഇൻപുട്ട്, ഔട്ട്പുട്ട് വേരിയബിളുകൾക്കിടയിൽ സങ്കീർണ്ണമായ ബന്ധങ്ങൾ പഠിക്കാനുള്ള കഴിവ് കണക്കിലെടുത്ത് വർഗ്ഗീകരണത്തിനും റിഗ്രഷൻ പ്രശ്നങ്ങൾക്കും MLP-കൾ വ്യാപകമായി ഉപയോഗിക്കുന്നു. കൂടാതെ, എംഎൽപികൾക്ക് രേഖീയമല്ലാത്ത പരിവർത്തനങ്ങൾക്ക് കഴിവുണ്ട്, ഇത് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിലും റോബോട്ടിക്സിലും വിപുലമായ പ്രയോഗം നൽകുന്നു.
അതിന്റെ ആപ്ലിക്കേഷനുകൾക്ക് പുറമേ, നെറ്റ്വർക്കിൽ അടങ്ങിയിരിക്കുന്ന ലെയറുകളുടെയും ന്യൂറോണുകളുടെയും എണ്ണം വർദ്ധിപ്പിക്കുന്നതിലൂടെ അതിന്റെ പ്രകടനം ഗണ്യമായി വർദ്ധിപ്പിക്കാൻ കഴിയും എന്നതാണ് MLP-കളുടെ മറ്റൊരു സവിശേഷത. ഇതിനെ "ഡീപ് ലേണിംഗ്" എന്ന് വിളിക്കുന്നു, ഇത് മെഷീൻ ലേണിംഗ് ഗവേഷണത്തിന്റെ വർദ്ധിച്ചുവരുന്ന ജനപ്രിയ മേഖലയായി മാറുന്നു. ആപ്ലിക്കേഷനുകളോ ആഴത്തിലുള്ള പഠന കാഴ്ചകളോ പരിഗണിക്കാതെ തന്നെ, വേഗത്തിലും കൃത്യമായും പഠിക്കാനുള്ള കഴിവ് കാരണം MLP-കൾ ശക്തവും ജനപ്രിയവുമായ ഒരു കൃത്രിമ ന്യൂറൽ നെറ്റ്വർക്കാണ്.