Приблизна функція на основі нейронних мереж

Проект реалізує багатошаровий перцептрон (MLP) для апроксимації складних математичних функцій за допомогою глибокого навчання. Модель розроблена для навчання та прогнозування нелінійної функції з шумом, використовуючи різні алгоритми оптимізації, такі як SGD, Momentum, RMSprop та Adam.

Особливості:
- Індивідуальна реалізація MLP: розроблено нейронну мережу з нуля за допомогою NumPy
- Різні техніки оптимізації: реалізовано різні алгоритми оптимізації для підвищення ефективності навчання
- Відстеження втрат та R²: моніторинг продуктивності під час навчання за допомогою середньоквадратичної помилки (MSE) та R²
- Візуалізація та аналіз: створено 3D графіки та криві навчання для оцінки продуктивності моделі
- Збереження моделі: можливість збереження та завантаження навчених моделей для відтворюваності

Цей проект демонструє мою здатність створювати, навчати та аналізувати моделі глибокого навчання без використання бібліотек високого рівня, таких як TensorFlow або PyTorch, що підкреслює глибоке розуміння нейронних мереж на фундаментальному рівні.