Summary  
This chapter explains how to implement a single artificial neuron by receiving inputs, applying weights, computing their weighted sum, passing it through an activation function, and updating the weights via backpropagation during training.  

General domain of usage  
Neural networks in machine learning

Et **nevron** er den grunnleggende enheten i et nevralt nettverk. Det mottar numeriske input, prosesserer dem og sender et output videre. Hver input har en **vekt** som reflekterer dens betydning.

Definisjon

Et nevron opererer i fire hovedsteg:

1. **Motta input** — tar imot flere verdier: $$x_1, x_2, x_3, ...$$
2. **Påføre vekter** — hver input multipliseres med en tilsvarende vekt $$w_1, w_2, w_3, ...$$. Vektene starter tilfeldig og oppdateres senere under trening gjennom **backpropagation**
3. **Summering** — nevronet beregner den vektede summen: $$w_1x_1 + w_2x_2 + \dots$$
4. **Aktiveringsfunksjon** — summen sendes gjennom en funksjon som produserer nevronets output, valgt basert på oppgaven.

Alle verdier (input, vekter og output) er **flyttall**, vanligvis i området fra **-1 til 1**. Hvis de opprinnelige dataene ikke er i dette formatet, må de forhåndsprosesseres.

Merk

Nevronets **utgang** fungerer som inngang for neste lag med nevroner. Denne prosessen fortsetter gjennom flere lag til nettverket produserer et endelig resultat.

Under opplæring justerer nettverket vektene for å **redusere feilen** mellom prediksjoner og faktiske verdier.
Når det gjøres en feil, oppdateres vektene slik at fremtidige prediksjoner blir bedre.

Gjennom gjentatte justeringer **lærer nettverket mønstre** i dataene og blir mer nøyaktig.


Nevrale nettverk er kraftige algoritmer inspirert av strukturen til den menneskelige hjernen, og brukes til å løse komplekse maskinlæringsproblemer. Du vil bygge ditt eget nevrale nettverk fra bunnen av for å forstå hvordan det fungerer. Etter dette kurset vil du kunne lage nevrale nettverk for å løse klassifikasjons- og regresjonsproblemer ved hjelp av scikit-learn-biblioteket.

Først skal vi diskutere hva et nevralt nettverk er og hvordan det fungerer. Vi vil også vurdere anvendelsesområdet.

Deretter skal vi forsøke å bygge vårt eget nevrale nettverk og se hvor effektivt det håndterer læring. Vi vil også vurdere en ferdig løsning fra scikit-learn-biblioteket.

Til slutt vil vi gi deg tilleggsinformasjon om hvordan du kan forstå hvilken modell som bør brukes og hvilke typer nevrale nettverk som finnes. For å fullføre kurset vil du bli testet på den tilegnede kunnskapen din.

Hva er et nevron?

Enkelt nevron

Nevron som del av et nevralt nettverk

1. Hva viser vektene til et nevron?

2. Hva er en aktiveringsfunksjon?

3. Hva er backpropagation-algoritmen?