# Модуль 09. Нейросети и backpropagation

Плановый срок: **недели 18–20**.

## Предварительные знания

Линейная алгебра (векторы, матрицы, матричное умножение), производные и правило
цепочки, базовые NumPy и Python.

## Цели

- понимать перцептрон, MLP, вычислительный граф и backpropagation
- выбирать активации, loss, инициализацию и нормализацию
- диагностировать исчезающие/взрывающиеся градиенты и переобучение

## Уроки

1. [Перцептрон, линейные слои, XOR и универсальная аппроксимация](notes/01_perceptron_mlp_xor.md)
2. [Chain rule, backpropagation и automatic differentiation](notes/02_backprop_autodiff.md)
3. [Активации, initialization, normalization и dropout](notes/03_activations_initialization_regularization.md)

Термины модуля: [глоссарий](glossary.md).

Для каждого урока: прочитайте теорию, воспроизведите ключевой пример своими
руками и запишите три тезиса без подсказки. Формулы из этого модуля нужно
уметь связать с кодом и наблюдаемым поведением модели.

## Задания

- [`assignments/01_mlp_numpy.md`](assignments/01_mlp_numpy.md) — MLP и backprop с нуля
- [`assignments/02_activations.md`](assignments/02_activations.md) — Эксперимент с активациями
- [`assignments/03_pytorch_training.md`](assignments/03_pytorch_training.md) — Надёжный training loop

## Завершение модуля

Модуль завершён, когда все задания удовлетворяют критериям приёмки,
вы можете объяснить основные решения без ноутбука и получили review.