Сергей

1. Распознавание части тела.
2. Выявление параметров модели данной части тела (ширина, высота, углы и т.п).
3. На базе п2 вы можете построить некий скелет модели (некие характерные точки).
4. На моделях предметов должны быть обозначены данные точки.
5. Дальше дело за нехитрым: вращаем 3Д-модель согласно характерных точек п4 и определяем какие части 3Д-модели видимы, а какие загораживаются чатью тела.

На самом деле с точки зрения правильного статистика, вам нужна не только вероятность свершения данного события. Но и доверительный интервал данного свершения.
Т.о. ваша сеть может предсказать 1% за одно действие и 99% за другое .. но если произойдет первое, это не значит что сеть "ошиблась", просто она предсказала данный исход с вероятностью не 95% .. а 1% )

Сделать можно. Вопрос эффективности.
В одном потоке вы можете обработать один нейрон, но эффективнее будет целую сеть .
Т.о. вы приходите к тому, что обрабатывать нужно параллельно несколько сетей.
Теперь с учетом того, что сеть вы будете обрабатывать с помощью TensorFlow и т.п. приходим к тому, что Erlang нужен лишь для того, чтобы быть клеем между такими частями программы.

Давайте начнем с вопроса, что такое НС ?
Все очень просто. Это некая функция от множества переменных f(x1, ..., xn, k1, ... kn).
Что вы делаете, когда обучаете НС ?
Вы находите такое k1 .. kn, чтобы результат функции для всех примеров был с минимальным отклонением.
Т.о. вы осуществляете задачу аппроксимации в многомерном пространстве.
Далее.
Пример на пальцах (на плоскости).
У вас есть парабола. Вы пытаете её аппроксимировать линейной функцией: f(x) = ax+b.
Как думаете какая у вас будет точность ? Точно не 100%.
Т.о. любая аппроксимация, это процесс приближения одной функции к набору точек (или к другой функции).
И если вас не устраивает точность обучения, то достаточно увеличить сложность сети, либо в ширину, либо в глубину. Т.о. вы увеличите сложность аппроксимирующей функции.
Но тут надо смотреть на такое явление как переобучение.
На пальцах, это когда вы линию пытаетесь аппроксимировать параболой. Ваша парабола каждый раз будет вырождаться в линию, а на самом деле это вам не надо. Вам нужно чтобы аппроксимирующая функция обобщила все свойста аппроксимируемой.

Как вам такое объяснение ? :)

Не понимаю каким боком тут нейронные сети. Но если их рассматривать как аппроксимирующие функции, то вполне могут сгодится.
Для начала читайте теорию вероятностей, математическая статистика и проверка гипотез.
Далее пытайтесь осмыслить применение нейронных сетей в данных областях.

Корреляция, автокорреляция, спектны, преобразование фурье, аппроксимация, интерполяция, численные методы и всякие нейронные сети :)

Вообще все эти модные нейронные сети всего лишь черный ящик.
Я бы на вашем месте построил адекватную математическую модель процессов, с учетом всех параметров.
Далее в этой модели есть некоторые неизвестные параметры: A,B,C- вот тут путем мат аппроксимации\интерполяции вам необходимо их найти, путем подгонки модели к действительности.
Далее вы берете любые входные параметры, и получаете результат модели на них.
Т.о. как вы их зададиде (экстраполируете), так и результат выйдет.
Обычно проще экстраполировать некий вход, чем уже готовый выход.

Экстраполяция входа будет сродни техническому анализу в биржевой торговле. Т.е. вы берете ряд. Берете оконную функцию и дрессируете сеть на предсказывание следующего значения на основании окна.
Дальше подаете входы на модель, получаете выходы модели.

Вы, конечно, можете натренировать НС напрямую без модели, но это может быть достаточно затратно по времени и вычислительным мощностям. И не факт что вы придете к какому-то значимому результату таким образом.

Либо копить данные, и обучать НС на них всех.
Либо иметь некоторое временное окно, на данных из которого и обучать.
Вопрос в другом, как автоматизировать это дело исключив человека ?

ИИ не существует, нет его. Не придумали. Так что и писать то нечего.

Влоб нет. Вам нужно думать не про "нейронные сети", а про модель адекватно описывающую процессы.
Когда вы поймете процессы, вы поймете где можно использовать нейронные сети -- универсальный аппроксиматор.

Сейчас издательство ДМК Пресс переводит кучу литературы. Посмотрите на их сайте. Там как фундаментальные книги, так и практические.

Нужно почитать теорию надежности.

Как выше написали.
Вероятность поломки может быть описана приближенно такой формулой:
p(t) = a/(b*t) + c*exp(d*t) + e

Вообще сейчас тренд идет на то, чтобы объединять модели.
Коллегия экспертов работает лучше, чем каждый эксперт порознь.
Отталкивайтесь от этой догмы.

Странная позиция, вроде зам и директора, а вроде какой то эникейщик с карандашом и линейкой.

Обучаете автоэнкодер на ваших данных. Потом берете средний слой (самый наименьший по кол-ву нейронов), он то и будет "абстрактным" кодом вашего изображения. Или я не понял вопроса ?

Задача видится в построении некой многомерной метрики для входных строк.
Т.о. расстояния между уже классифицированной строкой и строкой которая должна быть связана с этой классифицированной должно быть минимально.
Построением этой метрики должна заниматься рекурентная нейронная сеть.

Как все это сделать, лучше не спрашивайте.

Ваша хотелка идет как целый продукт. Как часть этого продукта всякие Azure и т.п. сервисы могут помочь (обучать и хостить модель). Но вы не сможете сделать самостоятельное решение используя только их. Тут надо думать головой и владеть кучей технологий и знаний.