Summary  
This chapter introduces the core concept of feedforward neural networks trained via supervised learning, showing how layers of interconnected “neurons” learn patterns from labeled examples to perform classification tasks.

General domain of usage  
Image recognition (e.g., distinguishing drawings of cats and dogs)

## Вступ

Уявіть, що ви навчаєтесь перекладати англійську на іспанську. Ви запам’ятовуєте слова, фрази та їхній контекст — і незабаром можете перекладати речення, яких раніше не бачили.
Нейронна мережа працює аналогічно: вона **навчається на прикладах** — текстах, зображеннях або аудіо — і використовує виявлені закономірності для здійснення прогнозів.

Так само, як люди навчаються розрізняти котів і собак, переглядаючи багато прикладів, нейронна мережа навчається виконувати завдання, такі як **класифікація**, **регресія** або **генерація**, аналізуючи розмічені дані. Цей процес називається **контрольованим навчанням** і є найпоширенішим способом навчання нейронних мереж.

Під час навчання мережа отримує приклади з відомими відповідями (**мітками**) і налаштовується відповідно до них. Згодом, отримуючи нові **немарковані** вхідні дані, вона застосовує набуті знання для самостійного прогнозування.

Примітка

## Приклад нейронної мережі

Нижче наведено просту демонстрацію нейронної мережі, навченої **розпізнавати малюнки котів і собак**.
Намалюйте щось і перегляньте, як модель це класифікує:

* **ЛКМ** – малювати
* **Shift + ЛКМ** – стерти


<!DOCTYPE html>
<html lang="en">
  <head>
    <style>
      * {
        box-sizing: border-box;
      }

      :root {
        --dark-blue: #1e2635;
        --blue: #4f5e77;
        --orange: #ff8a00;
        --grey: #f4f4f4;
      }

      /* body {
          width: 713px;
          border: 1px solid;
        } */

      ul {
        list-style-type: none;
        padding: 0;
      }

      li {
        margin: 0.5rem 0;
        text-align: center;
      }

      a {
        text-decoration: none;
      }

      .custom-parent-container {
        display: flex;
        justify-content: space-between;
      }

      /* >>>>>>>>>>> CANVAS <<<<<<<<<<<<<<<<<< */
      .canvas {
        width: 256px;
        height: 256px;
        border-radius: 5px;
        border: 3px solid var(--orange);
        box-shadow: 4px 4px 4px 0px rgba(0, 0, 0, 0.25);
        background-color: var(--grey);
      }

      .tools-wrapper {
        width: 256px;
        display: flex;
        border-bottom-left-radius: 10px;
        border-bottom-right-radius: 10px;
        padding-top: 15px;
      }

      .customize-btn {
        background-color: var(--grey);
        color: var(--orange);
        font-size: 20px;
        border: 3px solid var(--orange);
        border-radius: 5px;
        padding: 5px 11px;
        font-family: "Hind Siliguri";
        font-weight: 700;
        cursor: pointer;
        transition: 0.5s ease-in-out;
      }

      .customize-btn:hover,
      .customize-btn:focus {
        background-color: var(--orange);
        color: #fff;
      }

      .cat-btn {
        margin-left: 5px;
      }

      .clear-btn {
        margin-left: auto;
      }

      /* >>>>>>>>>>>>>>>> SQUARES <<<<<<<<<<<<<*/
      .layers-section {
        width: 340px;
        height: 310px;
        display: flex;
        flex-direction: row;
        align-items: center;
        margin-left: 20px;
      }

      .square {
        margin: 10px 0;
        width: 30px;
        height: 30px;
        border-radius: 2px;
        border: 3px solid var(--orange);
        background: transparent;
        position: relative;
        display: flex;
        align-items: flex-end;
        justify-content: center;
      }

      .lines-wrapper {
        top: 0;
        position: relative;
        width: 100%;
        height: 300px;
      }

      .svg-icon {
        position: absolute;
      }

      .square-filler {
        width: 100%;
        background-color: var(--orange);
        margin: 1px;
        transition: height 1s;
      }

      /* IMAGES */

      .images-section {
        display: flex;
        flex-direction: column;
        justify-content: center;
        padding-bottom: 20px;
      }

      .custom-image:not(:last-child) {
        margin-bottom: 10px;
      }

      .custom-image {
        transition: width 1s;
      }
    </style>
  </head>
  <body>
    <div class="custom-parent-container">
      
      <div class="section">
        <canvas onmousedown="handleCanvasMouseDown(event)" onmousemove="handleCanvasMouseMove(event)" onmouseup="handleCanvasMouseUp(event)" class="canvas js-canvas" width="256" height="256" id="canvas"></canvas>

        <div class="tools-wrapper">
          <button type="button" class="customize-btn js-dog-btn" onclick="handleDogBtnClick()">
            Собака
          </button>
          <button type="button" class="customize-btn cat-btn js-cat-btn" onclick="handleCatBtnClick()">
            Кіт
          </button>
          <button type="button" class="customize-btn clear-btn js-clear-btn" onclick="handleClearClick()">
            Очистити
          </button>
        </div>
      </div>
      
      <div class="layers-section js-layers-section"></div>
      
      <div class="images-section">
        <img class="custom-image" src="https://content-media-cdn.codefinity.com/courses/c1087363-9025-4c37-8d5e-983a32a007e9/other-section/oleh-s_tests/cat.png" alt="Cat Illustration" width="30px" style="width: 30px" id="class_cat">
        <img class="custom-image" src="https://content-media-cdn.codefinity.com/courses/c1087363-9025-4c37-8d5e-983a32a007e9/other-section/oleh-s_tests/dog.png" alt="Dog Illustration" width="30px" style="width: 30px" id="class_dog">
      </div>
    </div>
    
    
    <script>
      // Canvas properties
      window.penSize = 2;
      window.isDrawing = false;
      window.penColor = "black";
      window.lastX = undefined;
      window.lastY = undefined;
    </script>
    
    <script>
      function handleCanvasMouseDown(e) {
        const canvasContext = document.querySelector(".js-canvas").getContext("2d");

        isDrawing = true;
        lastX = e.offsetX;
        lastY = e.offsetY;

        if (e.shiftKey) {
          // If Shift key is held down, start clearing mode
          clearPixels(lastX, lastY);
        } else {
          canvasContext.beginPath();
          canvasContext.moveTo(lastX, lastY);
        }
      }

      function handleCanvasMouseUp() {
        isDrawing = false;
        lastX = undefined;
        lastY = undefined;
      }

      function handleCanvasMouseMove(e) {
        const canvasContext = document.querySelector(".js-canvas").getContext("2d");

        if (isDrawing) {
          const currentX = e.offsetX;
          const currentY = e.offsetY;

          if (e.shiftKey) {
            // If Shift key is held down and in clearing mode, clear the pixels
            clearPixels(currentX, currentY);
          } else {
            canvasContext.lineTo(currentX, currentY);
            canvasContext.strokeStyle = penColor;
            canvasContext.lineWidth = penSize * 2;
            canvasContext.stroke();
          }

          lastX = currentX;
          lastY = currentY;
        }
      }

      function clearPixels(x, y) {
        const canvasContext = document.querySelector(".js-canvas").getContext("2d");
        canvasContext.clearRect(x - penSize, y - penSize, penSize * 2, penSize * 2);
      }

      function handleClearClick() {
        const canvas = document.querySelector(".js-canvas");
        const canvasContext = canvas.getContext("2d");
        canvasContext.clearRect(0, 0, canvas.width, canvas.height);
      }
    </script>

    
    
    <script>
      window.nn_data = [
        [
          { id: "neuron_0_0", fill: 50 },
          { id: "neuron_0_1", fill: 50 },
          { id: "neuron_0_2", fill: 50 },
          { id: "neuron_0_3", fill: 50 },
        ],
        [
          { id: "neuron_1_0", fill: 50 },
          { id: "neuron_1_1", fill: 50 },
          { id: "neuron_1_2", fill: 50 },
        ],
        [
          { id: "neuron_2_0", fill: 50 },
          { id: "neuron_2_1", fill: 50 },
          { id: "neuron_2_2", fill: 50 },
          { id: "neuron_2_3", fill: 50 },
          { id: "neuron_2_4", fill: 50 },
          { id: "neuron_2_5", fill: 50 },
          { id: "neuron_2_6", fill: 50 },
          { id: "neuron_2_7", fill: 50 },
        ],
        [
          { id: "neuron_3_0", fill: 50 },
          { id: "neuron_3_1", fill: 50 },
          { id: "neuron_3_2", fill: 50 },
          { id: "neuron_3_3", fill: 50 },
          { id: "neuron_3_4", fill: 50 },
          { id: "neuron_3_5", fill: 50 },
        ],
        [
          { id: "neuron_4_0", fill: 50 },
          { id: "neuron_4_1", fill: 50 },
        ],
      ];
      window.points = {
        1: [150],
        2: [130, 170],
        3: [110, 150, 190],
        4: [90, 130, 170, 210],
        5: [70, 110, 150, 190, 230],
        6: [50, 90, 130, 170, 210, 250],
        7: [30, 70, 110, 150, 190, 230, 270],
        8: [10, 50, 90, 130, 170, 210, 250, 290],
      };
    </script>
    

    
    <script src="https://content-media-cdn.codefinity.com/courses/c1087363-9025-4c37-8d5e-983a32a007e9/other-section/andrii_test/scripts/index_ww.js"></script>

    <script>
      function handleLoad() {
        const layersSectionElement = document.querySelector(".js-layers-section");

        // Generate columns and sets of lines dynamically
        for (let i = 0; i < nn_data.length; i++) {
          const column = buildColumnSquares(nn_data[i]);
          layersSectionElement.appendChild(column);

          if (i < nn_data.length - 1) {
            const setOfLines = createDots(nn_data[i].length, nn_data[i + 1].length);
            layersSectionElement.appendChild(setOfLines);
          }
        }

        if (isMobile()) {
          //console.log('Mobile Detected');
          document.getElementsByClassName("custom-parent-container")[0].style.display = "none";
        } else {
          //console.log('Mobile Not Detected');
          start_nn();
        }
      }

      function buildColumnSquares(squaresArray) {
        const columnParentElement = document.createElement("div");
        columnParentElement.setAttribute("class", "layer");

        const columnSquaresMarkup = squaresArray
          .map(
            ({ id, fill }) => `
                <div class="square" id="${id}">
                  <div class="square-filler" style="height: ${(22 * fill) / 100}px;"></div>
                </div>
              `
          )
          .join("");

        columnParentElement.innerHTML = columnSquaresMarkup;
        return columnParentElement;
      }

      function createDots(...keys) {
        if (keys.includes(0)) {
          return;
        }
        const linesParentElement = document.createElement("div");
        linesParentElement.setAttribute("class", "lines-wrapper");

        const combinations = [];

        // Generate all combinations of points from different arrays
        for (let i = 0; i < keys.length; i++) {
          const key1 = keys[i];
          const linePoints1 = points[key1];

          for (let j = i + 1; j < keys.length; j++) {
            const key2 = keys[j];
            const linePoints2 = points[key2];

            // Loop through all combinations of points from different arrays
            for (const point1 of linePoints1) {
              for (const point2 of linePoints2) {
                combinations.push({ point1, point2 });
              }
            }
          }
        }

        // Create SVG elements and append them to the container
        for (const combination of combinations) {
          const svgElement = createLine(combination.point1, combination.point2);
          linesParentElement.innerHTML += svgElement;
        }

        return linesParentElement; // Return the container
      }

      function createLine(point1, point2) {
        return `
            <svg width="100%" height="100%" class="svg-icon">
              <line
                x1="0"
                y1="${point1}"
                x2="100%"
                y2="${point2}"
                stroke="#ff8a00"
                stroke-width="1"
              />
            </svg>
          `;
      }

      function isMobile() {
        var a;
        if (
          navigator.userAgent.match(/Android/i) ||
          navigator.userAgent.match(/webOS/i) ||
          navigator.userAgent.match(/iPhone/i) ||
          navigator.userAgent.match(/iPad/i) ||
          navigator.userAgent.match(/iPod/i) ||
          navigator.userAgent.match(/BlackBerry/i) ||
          navigator.userAgent.match(/Windows Phone/i)
        ) {
          a = true;
        } else {
          a = false;
        }
        return a;
      }

      window.onload = handleLoad();
    </script>
  </body>
</html>

Що означає навчання з учителем?

Нейронні мережі — це потужні алгоритми, натхненні структурою людського мозку, які використовуються для розв'язання складних задач машинного навчання. Ви створите власну нейронну мережу з нуля, щоб зрозуміти принципи її роботи. Після проходження цього курсу ви зможете створювати нейронні мережі для розв'язання задач класифікації та регресії з використанням бібліотеки scikit-learn.

Спочатку ми розглянемо, що таке нейронна мережа та як вона працює. Також розглянемо сфери її застосування.

Далі ми спробуємо побудувати власну нейронну мережу та оцінити її ефективність у навчанні. Також розглянемо готове рішення з бібліотеки scikit-learn.

Нарешті, ми надамо додаткову корисну інформацію щодо вибору моделі та типів нейронних мереж. Для завершення курсу буде проведено тестування набутих знань.

Що таке нейронна мережа?

Вступ

Приклад нейронної мережі