Summary  
This chapter explains how to implement a single-neuron model by initializing its weights and bias, computing the weighted sum via a dot product and bias addition, and applying activation functions like sigmoid or ReLU.  

General domain of usage  
Spam detection

**Neuroni** on neuroverkon peruslaskentayksikkö. Se käsittelee **useita syötteitä** ja tuottaa **yhden ulostulon**, mahdollistaen verkon oppimisen ja ennusteiden tekemisen.

Määritelmä

Tässä esimerkissä rakennetaan neuroverkko, jossa on **yksi neuroni** **binaarista luokittelua** varten (esim. roskapostin tunnistus).
Neuroni vastaanottaa **numeerisia piirteitä** ja tuottaa arvon välillä **0 ja 1**, mikä kuvaa **todennäköisyyttä**, että sähköposti on roskapostia (**1**) tai normaalia postia (**0**).

Vaiheittain:

1. Kerro kukin syöte sen **painolla**;
2. Laske kaikkien painotettujen syötteiden summa;
3. Lisää **bias** tuloksen siirtämiseksi;
4. Syötä tulos **sigmoidin** aktivointifunktion läpi, joka muuntaa sen välille ((0,1)) todennäköisyystulosta varten.

Neuronin **bias** on myös opetettava parametri.

Huomio

## Neuroni-luokka

Neuronin täytyy tallentaa **painot** ja **bias**, joten luokka on luonnollinen tapa ryhmitellä nämä ominaisuudet yhteen.

Vaikka tämä luokka ei ole osa lopullista neuroverkkototeutusta, se havainnollistaa tehokkaasti keskeisiä periaatteita.

```python
class Neuron:
    def __init__(self, n_inputs):
        self.weights = ...
        self.bias = ...
```

* `weights`: satunnaisesti alustetut arvot (yksi kutakin syötettä kohden);
* `bias`: yksi satunnainen arvo.
  Molemmat arvot arvotaan **tasaisesta jakaumasta** välillä ([-1, 1]) käyttäen `np.random.uniform()`-funktiota symmetrian rikkomiseksi.

## Eteenpäin suuntautuva laskenta

Neuronin `activate()`-metodi laskee **painotetun summan** ja käyttää **sigmoidia**.
Painotettu summa käyttää **pistetuloa** painojen ja syötteiden välillä:

```python
input_sum_with_bias = np.dot(self.weights, inputs) + self.bias
```

Tämän jälkeen aktivointifunktio antaa neuronin lopullisen ulostulon.

Käyttämällä `np.dot()` vältetään silmukat ja lasketaan koko painotettu summa yhdellä rivillä.
Sigmoidifunktio muuntaa tämän raakaarvon todennäköisyydeksi:

```python
def activate(self, inputs):
    input_sum_with_bias = ...
    output = ...
    return output
```

## Sigmoid-aktivointi

Annetulla raaka-arvolla (z) sigmoid on:

$$
\sigma(z) = \frac{1}{1 + e^{-z}}
$$

Muuntaa minkä tahansa luvun välille ((0,1)), mikä tekee siitä ihanteellisen **binaariluokitteluun**, jossa neuronin ulostulon tulee edustaa todennäköisyyttä.

Tämän kaavan avulla sigmoid voidaan toteuttaa yksinkertaisena funktiona Pythonissa:

```python
def sigmoid(z):
    return 1 / (1 + np.exp(-z))
```

**ReLU**-funktion kaava on seuraava, joka käytännössä asettaa ulostulon arvoksi $$z$$, jos se on positiivinen, ja **0** muuten:
$$
ReLU(z) = max(0, z)
$$

```python
def relu(z):
    return np.maximum(0, z)
```

Mikä on bias-termen rooli yksittäisessä neuronissa?

Miksi painot alustetaan pienillä satunnaisilla arvoilla nollien sijaan?

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.

Yksittäisen Neuronin Toteutus

Neuroni-luokka

Eteenpäin suuntautuva laskenta

Sigmoid-aktivointi

1. Mikä on bias-termen rooli yksittäisessä neuronissa?

2. Miksi painot alustetaan pienillä satunnaisilla arvoilla nollien sijaan?