Мы с вами рассмотрели одну из задач, которую можно решать с помощью нейронных сетей, а именно, задачу регрессии. Напомню, что задача регресии -- это когда у нас есть выборка, обучающая, размеченная, и мы хотим эту выборку аппроксимировать при помощи некоторой кривой, которая задаётся при помощи нейронной сети. Соответственно, процесс обучения заключается в том, что у нейронов мы подбираем параметры. Напомню, что мы уже рассмотрели с вами нейронную сеть, которая состоит из одного скрытого слоя и после этого скрытого слоя идёт один линейный нейрон. Можно представить, что эта нейронная сеть выглядит вот так: у неё есть один вход, внутри неё есть один скрытый слой, и у неё есть один выход. Напомню, что для решения задачи восстановления какой-то скрытой зависимости мы с вами использовали линейную функцию активации в конце, то есть, вот здесь, и использовали loss-функцию, которая называется "средний квадрат ошибки" (MSE). Это не единственная loss-функция, и это не единственная функция активации, которые используются в нейронных сетях. И в этой лекции мы с вами рассмотрим, для каких задач какие функции активации могут использоваться, какие функции потерь подходят для тех или иных задач, и как вообще сформулировать какую-то функцию потерь для решения конкретной, вашей задачи, которая вас интересует.