Summary  
This chapter explains how to build and train feedforward neural networks by defining layers of neurons with weights, biases, and activation functions, and optimizing them through forward propagation, backpropagation, and gradient descent.  

General domain of usage  
Supervised learning for classification tasks

## Neuroverkon käsite

**Neuroni** on neuroverkon perustavanlaatuinen tiedonkäsittely-yksikkö. Se vastaanottaa syötteitä, käsittelee ne ja tuottaa ulostulon.

Jokaiselle neuronin syötteelle annetaan **paino**, joka määrittää sen merkityksen laskennassa. **Bias** on lisäparametri, joka auttaa siirtämään neuronin ulostuloa ja tarjoaa joustavuutta oppimismallien löytämiseen.

**Neuroverkon opettaminen** tarkoittaa näiden painojen ja bias-arvojen säätämistä virheiden minimoimiseksi ja tarkkuuden parantamiseksi.

**Aktivointifunktio** muuntaa painotettujen syötteiden summan neuronin ulostuloksi. Yleisiä aktivointifunktioita ovat:
1. **Sigmoidifunktio**: tuottaa arvoja välillä 0 ja 1, hyödyllinen binääriluokittelussa;
2. **ReLU (Rectified Linear Unit)**: auttaa syviä verkkoja oppimaan tehokkaasti;
3. **Hyperbolinen tangentti (tanh)**: tuottaa arvoja välillä -1 ja 1, hyödyllinen nollakeskitetylle datalle.

**Eteenpäinlevitys**-vaiheessa tieto kulkee **syötekerroksesta** **piilokerrosten** kautta **ulostulokerrokseen**, jossa tehdään ennuste tai päätelmä.

Ennusteiden parantamiseksi käytetään **takaisinkytkentää** (backpropagation). Tässä prosessissa virhetieto kulkee verkossa taaksepäin, jolloin painoja säädetään virheiden pienentämiseksi.



## Neuroverkon rakentaminen alusta alkaen

**Monikerrosperseptroni (MLP)** koostuu useista kerroksista:
1. **Syötekerros**: vastaanottaa syötedatan;
2. **Piilokerrokset**: käsittelevät dataa ja etsivät malleja;
3. **Ulostulokerros**: tuottaa lopullisen ennusteen tai luokituksen.

Jokaisessa kerroksessa on useita neuroneita, ja yhden kerroksen ulostulo toimii seuraavan kerroksen syötteenä.

**Takaisinkytkentä** koostuu eteenpäinlevityksestä, virheen laskennasta, gradientin laskennasta sekä painojen ja bias-arvojen säätämisestä.

**Oppimisnopeus** on keskeinen parametri **gradienttimenetelmässä** (gradient descent), ja se määrittää, kuinka paljon painoja päivitetään koulutuksen aikana. Suurempi oppimisnopeus **nopeuttaa koulutusta**, mutta voi johtaa tärkeiden mallien ohittamiseen, kun taas pienempi oppimisnopeus mahdollistaa **tarkemman oppimisen**, mutta voi hidastaa lähentymistä.

Mallin suorituskykyä voidaan arvioida useilla tavoilla, kuten:
- **Tarkkuus**: mittaa oikeiden ennusteiden prosenttiosuuden;
- **Keskimääräinen neliövirhe (MSE)**: arvioi virhettä regressiotehtävissä;
- **Ristiinentropia**: yleisesti käytetty luokittelutehtävissä.

## Neuroverkon toteutus Scikit-Learnilla

Ensimmäinen vaihe on mallin luominen:

```python
from sklearn.neural_network import MLPClassifier

model = MLPClassifier(max_iter=200, hidden_layer_sizes=(10, 20, 30), learning_rate_init=0.01)
```
Kun malli on luotu, se tulee opettaa opetusdatalla:

```python
model.fit(X_train, y_train)
```

Lopuksi voidaan tehdä ennusteita esimerkiksi testidatalla:
```python
y_pred = model.predict(X_test)
```



## Yhteenveto  

Valittaessa **perinteisten mallien** ja **neuroverkkojen** välillä huomioitava aineiston koko, ongelman monimutkaisuus ja tulkittavuus.

Yleisiä neuroverkkojen tyyppejä ovat seuraavat:

Feedforward Neural Networks (FNN) / Multi-layer Perceptrons (MLP)

Suunniteltu jaksolliselle datalle, kuten tekstille ja puheelle.

Käytetään datan pakkaamiseen ja piirreoppimiseen.

Synteettisen datan generointi, usein käytetään kuvien synteesiin.

Yhdistää useita pienempiä verkkoja monimutkaisempiin tehtäviin.

Suositut syväoppimiskirjastot:

- **TensorFlow**: Googlen syväoppimiskehys skaalautuvaan koneoppimiseen;  
- **PyTorch**: joustava, dynaaminen syväoppimiskirjasto, laajasti käytössä tutkimuksessa ja tuotannossa.  

Lataa kurssin yhteenveto

Neuroverkot ovat tehokkaita algoritmeja, jotka on inspiroitu ihmisaivojen rakenteesta ja joita käytetään ratkaisemaan monimutkaisia koneoppimisen ongelmia. Rakennat oman neuroverkkosi alusta alkaen ymmärtääksesi sen toimintaa. Tämän kurssin jälkeen osaat luoda neuroverkkoja luokittelu- ja regressio-ongelmien ratkaisemiseksi scikit-learn-kirjaston avulla.

Ensiksi käsittelemme, mitä neuroverkko on ja miten se toimii. Tarkastelemme myös sen sovellusalueita.

Seuraavaksi rakennamme oman neuroverkon ja tarkastelemme, kuinka tehokkaasti se oppii. Lisäksi käsittelemme valmista ratkaisua scikit-learn-kirjastosta.

Lopuksi annamme sinulle lisätietoa siitä, miten valita sopiva malli ja millaisia neuroverkkoja on olemassa. Kurssin suorittamiseksi osaamisesi testataan.