大家好！我想创建自己的神经网络，用于商业目的。网上有很多开源数据集，据我了解，可以用来学习。但我担心其他事情 - 它们可以用于商业目的吗？我未来的神经网络将拥有付费许可证。使用此类数据集是否会侵犯版权？祝一切顺利，提前致谢）
有这样的输入：有数据，为了简单起见，让它在二维空间中。图中的例子，这里f1和f2是特征（输入），颜色（Y）是输出。输出值的数量是已知的 - 这里的数量是两个（绿色和红色）。红点和绿点的数量几乎相同。
这些数据通常是随机的。但在一个大的空间中，实际上存在着一些同类点的簇。比如上图中就是：
也就是说，我们可以以很高的概率预测新点如果击中红色矩形，则为红色，如果击中绿色矩形，则为绿色。如果该点不属于任何这些簇，则无法预测结果。
实际上问题是：是否有一种算法，在这样一个嘈杂的字段中，可以找到某些点的数量大于其他点的簇，同时忽略字段中+点相同的其余部分。
这应该解决什么问题？这里我试图从它的坐标预测一个新点的颜色（从f1，f2预测Y） - 但大多数字段由随机值组成，所以我试图找到一个区域，其中某个区域的概率颜色脱落得更大，这样我知道该点落入这样的区域，就更有可能说出它是什么颜色。我使用简单的方法并没有成功 - 由于绝大多数数据是随机的，神经网络的准确度为 0.5（这对于随机值来说是合乎逻辑的） - 也就是说，它只是猜测。由于同样的原因，分类也无法充分发挥作用。聚类不太合适——我提前知道结果的数量。DBSCAN 与我的任务类似，它再次按密度选择区域，并且我的数据密度 +- 在整个字段中是均匀的，只是颜色不同。
在 Michael Nilson 的书中（更准确地说，在其翻译中） - https://habr.com/en/articles/457980/给出了输出层误差方程的证明。
为什么第二个公式中要对偏导数的乘积求和？毕竟，很明显，加权输入，例如输出层的第一个神经元，并不依赖于输出层的其余神经元。使用链式法则可以立即推导出第三个方程。
我被神经网络的研究冲昏了头脑，偶然发现了这篇文章（在其他网站上也有重复）。我试图重复那里描述的训练方法。神经网络本身会产生正确的结果，但我注意到在训练之后，一些权重和偏差神经元超出了 0 和 1，有时非常显着。在网上搜索类似的东西，我遇到了再培训这样的事情。我试图改变 epoch 的数量和学习率，结果神经网络训练不足。我怀疑权重参数根本不应该超过 0 和 1，我不确定偏置神经元。我无法理解，错误来自数学方面或实施方面。也许还有另一个例子，或者本文没有达成一致意见？请告诉我在哪里挖？
我在c#中重复了一遍，原来的和我的都有超出范围的值的问题。
请建议在这些领域从零到专业的阅读计划。这些站点的定义非常模糊，您不想在这些区域游泳。建议不要依赖特定的技术或编程语言。有一种直观的理解，这是苏联时代改名的数学，仅此而已。谢谢你。