В работе рассматриваются базовые принципы построения нейросетей на примере полносвязной архитектуры. Показано, что использование только линейных преобразований недостаточно для моделирования сложных зависимостей, что обосновывает необходимость введения нелинейных функций активации. Описаны ключевые компоненты нейросети: полносвязные слои, функции активации, перцептрон и многослойные структуры. Рассмотрены особенности обучения с использованием градиентного спуска, включая функции потерь (кросс-энтропию) и нормализацию выходов с помощью softmax. Проанализированы ограничения полносвязных сетей и области их практического применения

This paper examines the basic principles of constructing neural networks using a fully connected architecture as an example. It is shown that using linear transformations alone is insufficient for modeling complex dependencies, justifying the need to introduce nonlinear activation functions. Keycomponents of a neural network are described: fully connected layers, activation functions, perceptrons, and multilayer structures. The specifics of training using gradient descent are discussed, including loss functions (cross-entropy) and output normalization using softmax. The limitations of fully connected networks and their practical applications are analyzed