• Progettazione ed implementazione di funzioni per simulare la propagazione in avanti di una rete neurale multi-strato, con la possibilità di implementare reti con più di uno strato di nodi interni e con qualsiasi funzione di attivazione per ciascun strato.
• Progettazione ed implementazione di funzioni per la realizzazione della back-propagation per reti neurali multi-strato, per qualunque scelta della funzione di attivazione dei nodi della rete e la possibilità di usare almeno la somma dei quadrati o la cross-entropy con e senza soft-max come funzione di errore.
• Classificazione delle immagini del dataset MNIST, con l'ausilio dell'algoritmo di resilient back-propagation (RPROP) per l'aggiornamento dei pesi. Identificazione di una rete neurale densa a singolo strato interno (shallow) sub-ottimale mediante un approccio di k-fold cross validation per la valutazione degli iper-parametri della rete quali parametri RPROP (eta-positivo ed eta-negativo) e numero di neuroni interni.