Александр Скуснов

Андрей Карпатый рассказывает.

5 слоёв это... как бы и есть 5 слоёв. В каждом слое выбираете желаемое количество нейронов. В последнем слое количество нейронов равно количеству выходов (вы их не описали). В классическом перцептроне функция активации это сдвинутая функция sign (крайне не рекомендуется использовать, т.к. всегда градиент 0). Так что для каждого слоя подберите другие функции активации. А входов 32 (это не нейроны, а именно входы. Можете считать это 32-мерным вектором).

У меня Мерлин каждый раз предлагает сделать краткое содержание ролика. (один раз согласился, действительно делает, но дальше ему вопросы не задавал)

Сети Кохонена?
Либо новенькое - нейронные сети на графах.

Курс по RL.

Задача - выделить признаки (features). Один фильтр выделит один признак. Если вам нужно несколько признаков, то делаете несколько фильтров параллельно.
Есть пример человека: 15 фильтров, каждый реагирует на полоски с угловым смещением 12 градусов (итого 180 гр.).

Почитайте книжки (с примерами) про CNN (свёрточные сети), Atеntion и трансформеры.
Затем что-нибудь по Reinforcement Learning.

1. а) Я пользовался MatLab, но тебе придётся подождать несколько лет для его оплаты и снятия санкций против России.
б) Мне нравится PyTorch (Питон).

Могу предложить гугловский перевод статьи Вики.

Карты Кохонена тут вообще ни при чём, есть общее правило. Одна часть данных для обучения (training), допустим, 80%. Ещё 10% - validation (для проверки).
Во время обучения ошибка у training уменьшается. У validation, как правило, ошибка больше но тоже снижается. А с некоторого момента начинает расти, в то время, как у training продолжается "улучшение" (но это пошло переобучение). Вот и берёте параметры, где минимум у validation, и проверяете на остальных 10% (test).

Пример на MatLab (Image Processing Toolbox), но американцы не будут нам давать лицензию.

Не помешали бы основы ТАУ (теории автоматического управления): передаточная функция, устойчивость системы.
И отдельно - любые нейронные сети. Есть ролики Семёна Козлова - обзор всех сетей. И пробовать их, допустим, на Питоне.
Картинка по автоматике от Брайана Дугласа. Там, кстати, тоже есть алгоритмы на нейронных сетях (слева).
https://static1.squarespace.com/static/5b2d76525cf...

Каждый год на Ютубе Сергей Марков (с портала 22 век) делает итоги развития нейросетей. Можете ознакомиться.
Основные разработки - автопилоты (авто, летающие, подводные лодки), ответы на вопросы (GPT-3) (уже даже начинает писать программы).

Если вы ИИ не пользуетесь, то такие задания выкладывайте через полгодика. Начинайте учить программы и алгоритмы.
Не в курсе, что такое Docker, но я бы предложил элементарное решение. Есть 3 цвета: фон, клетки, и текст. Так что и без ИИ можно обойтись.
Приведите, пожалуйста, хоть один рисунок.

Коэффициент корреляции.