Koska tavoitteena on toteuttaa **monikerroksinen perceptroni**, `Perceptron`-luokan luominen yksinkertaistaa mallin alustamista. Sen ainoa **attribuutti**, `layers`, on käytännössä lista `Layer`-olioita, jotka määrittelevät verkon rakenteen:

```python
class Perceptron:
    def __init__(self, layers):
        self.layers = layers
```

Kerrokset alustetaan seuraavilla muuttujilla:

- `input_size`: **syöteominaisuuksien** määrä;
- `hidden_size`: neuronien määrä **jokaisessa piilokerroksessa** (tässä tapauksessa molemmissa piilokerroksissa on sama määrä neuroneita);
- `output_size`: neuronien määrä **ulostulokerroksessa**.

Tuloksena olevan perceptronin rakenne on seuraava:

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 pystyt luomaan 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 tutustumme valmiiseen ratkaisuun scikit-learn-kirjastosta.

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

Haaste: Perceptronin Luominen

Ratkaisu

Awesome!

Haaste: Perceptronin Luominen

Ratkaisu