dmshar

Не могу понять от куда берутся веса? И как они распределяются по сети,

Вообще-то , это основа того, что называется "нейронная сеть". Поиск весов и их "распределение по сети" - по сути, это задача оптимизации, решаемая одним из численных методов, как правило - градиентной оптимизацией.
Если вы задаете такой вопрос - это значит, что вы еще совсем "не в теме". Начините с азбуки, потом - когда поймете как оно все работает - можно будет думать и о том, как оно применяется при "распознавании рукописных цифр", а уж потом - как его реализовать на С++. Хотя зачем? Именно на плюсах уже реализованы те-же Tensorflow и PyTorch. Хотите им составить конкуренцию?

Как уже было сказано - нейронные сети тут ни при чем. Наука, которая уже лет 50 занимается такими вопросами - названа выше.
Если уж очень хочется познакомиться с методами машинного обучения на примере данной задачи - то даю наводку, соответствующий раздел называется "Построение регрессионных моделей". В качестве дополнительного чтения - "Анализ времени дожития" (да,вот такое "оптимистичненькое" название). И никаких нейросетей!
Но не поняв, что, зачем, куда и почему (в частности, почему нейросеть тут ни коми боком), человек обречен "забивать формулы в эксель". Так что советую начать с основ.

Так
from sklearn.naive_bayes import GaussianNB
или
clf = BernoulliNB()

Стандартный стек библиотек для реализации алгоритмов ML "с нуля на Python":
- Scipy,
- NumPy,
- Pandas,
- Scikit-learn.
Для визуализации - связка с D3.js.
Для курсового проекта - хватит более чем.

У вас смешаны несколько задач.
Первая - определить "линию на картинке". Не знаю, что у вас за картинка, не знаю, что вы понимаете под "линией". но если это, например, фото, а линия - это элемент некоторой конструкции, то решение задачи лежит в распознавании объектов на картинке. Сегодня нейросети решают такие задачи достаточно эффективно.

А если ваша задача "определять угол, на какой машине нужно повернуть", то вообще-то говоря нейросеть тут ни при чем. Есть направление движение, есть новое направление. "Определение" угла - это определение разности между этими двумя направлениями. Что еще там надо определять, особенно с помощь нейросети???

Ну а предложение "масштабировать (???) 180 градусов условно(???) на [-1:1] промежуток (???) в качестве выхода (???)" - это вообще набор каких-то слабо связанных между собой слов. Если имелось ввиду "отобразить 180 градусов в интервал [-1:1]" - то да это сделать элементарно. Вот только зачем, и какое это имеет отношение к предыдущим двум вопросам?

Вообще-то это целая технология. Ожидать объяснения в "относительно простых словах" как то даже не серьезно. Информации по теме масса - сиди, читай, разбирайся, применяй.
Вот неплохое - одно из многих - введение в тему:
https://skymind.ai/wiki/word2vec
с примерами и объяснениями "что такое" и "как работает". Если что-то конкретное станет непонятным - спрашивайте.

"пользователи смотрели бы на эту игру." - и в чем прикол? Может, лучше посмотреть футбол?
Что посоветуете? - "пилите Шура, пилите" (С)

А вы прочитали хоть одну книгу, статью, да просто страничку в интернет про нейронные сети, как они устроены, как работают? Или вы решили "переизобрести велосипед" ?
Судя по вопросам - не читали. Вот с этого и рекомендую начать.
Про базу данных - ответ примерно тот-же. Попробуйте начать с того, что-бы разобраться, а как вообще можно хранить информацию в компьютере. Это написано на первых страницах любой книжки по программированию.
Про "ngram" - это вообще какая-то загадочная фраза. Хоть знаки препинания расставьте, что-ли.

С того, что открыть Google и ввести "нейронные сети".
На первой же странице находим
- ссылки на несколько сайтов именно для того чтобы "с чего начать", в большинстве из них есть ссылки на расширенные материалы.
- ссылку на обучающий портал - по сути, учебник - от statsoft.
- ссылки на видеокурсы- как минимум, четыре штуки
- ссылки на насколько научно-популярных порталов, посвященных ИНС и ИИ
- ссылку на tproger.ru/tag/neural-network/, откуда в свою очередь - куча ссылок на сайты, книги, курсы и пр. по теме.
И - естественно - ссылка на статью в Википедии, в которой есть чудесный "вводный курс" по теме и десятки - если не сотни- ссылок для углубления понимания.
На второй странице выдачи Google - еще с десяток полезных ссылок того-же типа.
Если вы не умеете пользоваться даже Google, то может стоит начать с обучению этому "высокому искусству", а уж к нейронным сетям перейти потом?

Задам вопрос - а зачем вам нейронная сеть? Дело в том, что ваша задача КЛАССИЧЕСКАЯ задача классификации, к которой сводятся практически все задачи медицинской диагностики до знаменитого IBM Watson включительно.
Нейронная сеть в реалии нужна тогда, когда классические методы не работают, ну например, при очень сложных и запутанных связях между входными параметрами (как в распознавании визуальных образов или в распознавании смысла текста), причем еще одно важнейшее условие - наличие реально очень-очень-очень-очень большого количества входных данных (от десятков тысяч до миллионов). И только при этих условиях НС способны дать хоть какой-то выигрыш по точности, по сравнении с классикой. Первого в вашем случае точно нет, а второе - очень вероятно, что нет.
Кроме того, напомню, что в медицине никто и никогда не примет результат вашего исследования, если вы не будете способны его интерпретировать (термин "доказательная медицина" надеюсь, вам знаком, как и ее основные требования). НС этим свойством не обладают, классические алгоритмы - обладают.
Так приведите хоть один аргумент - кроме моды - в пользу НС.
Если же все таки примете решение применять традиционные алгоритмы машинного обучения - можно будет думать и обсуждать, какого класса алгоритмы лучше применить и как его реализовать.
Удачи.

Не очень понятен ваш вопрос, но если на входе "текст (символы)" а на выходе - картинка, то это ничем не отличается от того, что сегодня делает любой драйвер монитора - на вход принимает код символа, на выходе генерирует картинку в виде набора пикселей определенного цвета. И никакой магии. Если хотите, что-бы "не может одинаково написать одну и ту же букву", то достаточно добавить перед генерацией стандартных символов некоторые искажения и шум.
Или вы что-то другое имели ввиду?

Сравнивать можно не на "задачах одного типа", а на решение определенной задачи на конкретном наборе данных. Чем, собственно, kaggle и занимается. А универсального ответа на поставленный вопрос не существует.
А вообще-то машинное обучение многие воспринимают как "взять готовое решение -> применить _> получить суперрезультат". На самом деле это всегда глубокое исследование и профессиональный анализ.
Как пример, могу привести анализ применимости и эффективности различных методов предсказания во временных рядах (одна из самых известных и актуальных задач) . Вроде - все ясно. Однако попытайтесь разобраться в результатах без серьезного предварительного изучения теории :-)
https://journals.plos.org/plosone/article/file?id=...

Ух какой общеабстрактный вопрос. И странно, что после "достаточно долгого углубления" так и не решить, на чем лучше обучать сеть на 20 нейронов.
Сравнение различных фреймворков (языков программирования, операционных систем, систем управления базами данных и пр....) - сродни религиозным войнам: есть адепты каждой из религий, которые по-сути только ее и знают. Есть те кто свято верит в то, что написано во всяких катехизисах, обзорах, сравнениях. Есть свои последователи, проповедники, энтузиасты, отступники. Есть тихие верующие и разработчики, спокойно пишущие на том, что им велели свыше. Только вот правых и неправых в таких войнах нет. Ибо нет "лучшего фреймоврка" и поиск его - бессмысленен. А опыт одних в условиях работы других может оказаться мягко говоря - неприменим.
Ну, если очень надо - можно легко найти сравнения разных инструментов, например
https://www.netguru.co/blog/deep-learning-framewor...
https://medium.com/the-mission/8-best-deep-learnin...
https://www.datanyze.com/market-share/machine-lear...
Только вот слава Богу инженерия - не религия. Тут за то, что ты меняешь один инструмент на другой - на костре не жгут. Можно потратить уйму энергии, выбирая "лучший фреймоворк" и все равно где-то не угадать. А можно начать делать свой проект на том, что знаешь, понимаешь, владеешь. Гордится тем, что ты научился молотком гвозди забивать и не отбивать себе при этом пальцы, а не тем, что держишь в руке что молоток фирмы Steanly, а не молоток фирмы Тоptul. А потом уже конкретно выяснять, в чем-же твой инструмент оказался слаб именно для твоей задачи, и уже целенаправленно, а не абстрактно искать лучший по конкретному показателю.

Для того, что-бы распознать лишь "норма, средний воспалительный процесс, высокий воспалительный процесс" - как вам уже тут верно заметили- не то что нейронные сети - вообще никакого ML не надо, достаточно трех-четырех правил, который любой студент-медик должен знать наизусть примерно на втором курсе.
В реальной жизни задачи медицинской диагностики методами машинного обучения возникают тогда, когда традиционными, медицинскими методами задача решается крайне сложно и/или неточно. Ну например - по результатам лабораторных анализов выявляют те или иные виды онкозаболеваний, по результатам мониторинга - предсказывают риск возникновения инфарктов/инсультов в ближайшем будущем. По результатам анализа генетического материала - предрасположенность (риск) заболеваемости определенными видами болезней или реакции не определенные медикаменты, по информации о состоянии организма и региона проживания - вероятность подхватить определенные инфекции и соответственно - необходимость профилактического лечения и т.д. Про диагностирование по анализу рентгеновский снимков, УЗИ и пр - я тут не говорю, хотя вот там действительно огромный простор для применения нейросетей.
И по анализу крови - задачи, которые реально решаются - посложнее, чем "есть-нет воспаление". Ну, например - определение возраста человека:
https://habr.com/company/spbifmo/blog/350624/
или распознавание диабета и его разновидностей:
https://datascienceplus.com/machine-learning-for-d...
Только вот надеяться, что даже простейшую задачу такого класса можно решить не имея в команде специалистов с медицинским образованием - крайне самонадеяно.

Ну, не совсем "везде".
Вот например - https://www.analyticsvidhya.com/blog/2018/09/multi...
А вот - с помощью Keras
https://machinelearningmastery.com/multivariate-ti...

Я так и не понял, в чем-же вопрос.
Если "как это сделать" - при том, что "это" - практически весь курс по ML и
DL - то искать ответ на форуме при наличии просто океана ресурсов в сети - как то странновато.
Если как это сделать на С++" - то тоже вроде недостатка информации нет.

Книги, туторы, статьи, видео, всё что может быть полезно готов изучить вдоль и поперёк, только скажите где(много информации уже перерыл)

Что, действительно? Как это вам удалось - ничего не найти.
Ну так, для затравки, может поможет:

https://www.amazon.com/C-Machine-Learning/dp/1786468409
https://www.oreilly.com/library/view/machine-learn..."
"https://www.amazon.com/Deep-Belief-Nets-CUDA-Feedf..."
https://www.amazon.com/Data-Mining-Algorithms-Patt..."
https://habr.com/post/335838/
www.mlpack.org

Попробуйте просто убрать этот оператор.