ANN

install.packages("nnet")

# Funkcja trenująca, ktra bierze jako argument Y (wektor cyfr)
# oraz X (macierz obrazu) i zwraca obiekt sieć neuronową.
train_ANN = function(X,Y) {
  library(nnet) # ładujemy bibliotekę
  y <- class.ind(Y) # normalizujemy oczekiwane wyjśćie do postacie macieży zer z jedną jedynką
  ANN <- nnet(X,y,size=10,linout=T,maxit=1,MaxNWts=100000) # tworzymy i uczymy sieć
  # aby zwiększyć skuteczność nauki należy zwiększyć liczbę iteracji (maxit),
  # korzystne może też być zwiększenie liczby neuronów (size)
  return(ANN)
}

# Funkcjia testujca, ktra bierze jako argument x (wektor obrazka)
# oraz sieć neuronową zwrconą w poprzednim punkcie i zwraca przewidywaną cyfre.
test_ANN = function(ANN, x ) {
  return(which.max(predict(ANN, x))[1]-1) # zwracamy maksymalny index
}

train = read.csv('train.csv', header=TRUE)
X <- train[,2:dim(train)[2]]
Y <- train[,1]
ann <- train_ANN(X, Y)
test_ANN(ann, X[1,])
Y[1]