\# Учебная практика № 2.4

\# Ознакомиться с базовыми принципами построения и обучения искусственных нейронных сетей на Python. Представить библиотеку scikit-learn и её возможности для построения MLP-классификаторов. Научиться применять модели на встроенных и внешних датасетах. Укрепить навыки работы в JupyterLab и визуализации результатов обучения.

\# Искусственные нейронные сети: первые шаги



Репозиторий содержит материалы по лабораторной работе, посвящённой базовым искусственным нейронным сетям и классификации в библиотеке scikit-learn.



\## Цель работы



\- Ознакомиться с базовыми принципами построения и обучения искусственных нейронных сетей на Python.

\- Изучить использование `MLPClassifier` из библиотеки scikit-learn.

\- Научиться применять модели машинного обучения на встроенных и внешних датасетах.

\- Закрепить навыки работы в JupyterLab, Git и визуализации результатов.



\## Содержимое репозитория



\- `week4\_scikit\_learn.ipynb` — основной ноутбук с выполнением лабораторной работы.

\- `requirements.txt` — список установленных зависимостей проекта.

\- `.gitignore` — список файлов и папок, исключённых из Git.

\- `README.md` — описание проекта.



\## Выполненные задания



\### 1. Базовая нейросеть



В ноутбуке реализован пример многослойного перцептрона (`MLPClassifier`) на встроенном датасете Iris.



Рассмотрены параметры:

\- `hidden\_layer\_sizes=(10,)`

\- `activation='relu'`

\- `max\_iter=100`, `500`, `2500`



Проведён анализ влияния количества итераций на сходимость модели и качество классификации.



\### 2. Самостоятельное задание



Для самостоятельной части выбран пример из раздела \*\*Classification\*\* официальной документации scikit-learn:



\*\*Plot classification probability\*\*



В работе выполнено:

\- воспроизведение и адаптация примера;

\- сравнение нескольких классификаторов:

  - `LogisticRegression`

  - `Linear SVC`

  - `GaussianProcessClassifier`

\- визуализация вероятностей принадлежности объектов к классам.



\### 3. Работа с внешним датасетом



Дополнительно выполнена классификация на внешнем датасете, загруженном через `openml`.



Использованы этапы:

\- загрузка данных;

\- выбор числовых признаков;

\- удаление пропусков;

\- масштабирование данных;

\- обучение модели `LogisticRegression`;

\- оценка качества с помощью `classification\_report`.



\## Используемые библиотеки



\- scikit-learn

\- matplotlib

\- pandas

\- openml

\- jupyterlab