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

Een **neuron** is de basiseenheid van een neuraal netwerk. Het ontvangt numerieke invoer, verwerkt deze en stuurt een uitvoer door. Elke invoer heeft een **gewicht** dat het belang ervan weergeeft.

Definitie

Een neuron werkt in vier hoofd stappen:

1. **Ontvangen van invoer** — het neemt meerdere waarden: $$x_1, x_2, x_3, ...$$
2. **Toepassen van gewichten** — elke invoer wordt vermenigvuldigd met een overeenkomstig gewicht $$w_1, w_2, w_3, ...$$. Gewichten beginnen willekeurig en worden later bijgewerkt tijdens het trainen via **backpropagation**
3. **Sommering** — het neuron berekent de gewogen som: $$w_1x_1 + w_2x_2 + \dots$$
4. **Activatiefunctie** — de som wordt door een functie gehaald die de uitvoer van het neuron produceert, gekozen op basis van de taak.

Alle waarden (inputs, gewichten en outputs) zijn **kommagetallen**, meestal in het bereik van **-1 tot 1**. Als de oorspronkelijke data niet in dit formaat is, moet deze worden voorbewerkt.

Opmerking

## Neuron als onderdeel van een neuraal netwerk

De **output** van de neuron fungeert als input voor de volgende laag neuronen. Dit proces gaat door meerdere lagen totdat het netwerk een eindresultaat oplevert.

Tijdens het trainen past het netwerk de gewichten aan om de **fout te verkleinen** tussen voorspellingen en werkelijke waarden.
Wanneer het een fout maakt, worden de gewichten bijgewerkt zodat toekomstige voorspellingen verbeteren.

Door herhaalde aanpassingen **leert het netwerk patronen** in de data en wordt het nauwkeuriger.


Wat geven de gewichten van een neuron aan?

Neurale netwerken zijn krachtige algoritmen geïnspireerd op de structuur van het menselijk brein en worden gebruikt om complexe machine learning-problemen op te lossen. Je bouwt je eigen neuraal netwerk vanaf nul om te begrijpen hoe het werkt. Na deze cursus ben je in staat om neurale netwerken te creëren voor het oplossen van classificatie- en regressieproblemen met behulp van de scikit-learn-bibliotheek.

Eerst bespreken we wat een neuraal netwerk is en hoe het werkt. Daarnaast behandelen we het toepassingsgebied ervan.

Vervolgens zullen we proberen ons eigen neuraal netwerk te bouwen en bekijken hoe efficiënt het leert. We zullen ook een kant-en-klare oplossing uit de scikit-learn-bibliotheek behandelen.

Tot slot geven we aanvullende nuttige informatie over hoe u kunt bepalen welk model u moet gebruiken en welke typen neurale netwerken er zijn. Ter afronding van de cursus wordt uw opgedane kennis getoetst.

Wat is een neuron?

Enkelvoudige Neuron

Neuron als onderdeel van een neuraal netwerk

1. Wat geven de gewichten van een neuron aan?

2. Wat is een activatiefunctie?

3. Wat is het backpropagatie-algoritme?