Added tasks for the control work

OOP/task/7/TASK.md

@@ -0,0 +1,46 @@
+**Постановка**
+Мы создаем упрощенную версию нейронной сети, которая умеет классифицировать данные на несколько категорий сразу.
+
+* **Нейрон (`Neuron`):** Теперь это отдельный объект, хранящий свои уникальные веса и смещение (`bias`). Умеет вычислять активацию и корректировать веса методом градиентного спуска.
+* **Слой (`Layer`):** Содержит список объектов `Neuron`. Управляет передачей сигналов всем нейронам сразу.
+* **Тренер (`Trainer`):** Обучает слой, минимизируя среднюю ошибку по всем нейронам.
+
+**Задание**
+
+**Класс `Neuron`:**
+
+1. Создайте класс `Neuron`.
+2. В `__init__(self, inputs_count, learning_rate)` инициализируйте `weights` (список случайных значений, например 0.1) и `bias` (смещение, начните с 0.0).
+3. Метод `predict(self, inputs)`: верните сумму произведений (входы * веса) + `bias`.
+4. Метод `train(self, inputs, target)`:
+* Вычислите `prediction = self.predict(inputs)`.
+* Вычислите `error = target - prediction`.
+* Обновите веса: `w = w + (error * input * lr)`.
+* Обновите смещение: `bias = bias + (error * lr)`.
+
+
+
+**Класс `Layer`:**
+
+1. Создайте класс `Layer`.
+2. В `__init__(self, neurons_count, inputs_count, learning_rate)` создайте список `neurons`, заполнив его `neurons_count` объектами класса `Neuron`.
+3. Метод `forward(self, inputs)`: возвращает список предсказаний каждого нейрона.
+4. Метод `train_layer(self, inputs, targets)`: принимает список правильных ответов (для каждого нейрона свой). Проходит циклом по нейронам и вызывает у каждого метод `train` с соответствующим `target`.
+
+**Класс `Trainer`:**
+
+1. Создайте класс `Trainer`.
+2. Метод `fit(self, layer, dataset, epochs)`:
+* Внешний цикл `for epoch in range(epochs)`.
+* Внутренний цикл по датасету: берет `inputs` и список `targets`.
+* Вызывает `layer.train_layer(inputs, targets)`.
+* (Опционально) Каждую 10-ю эпоху выводить среднюю ошибку по слою.
+
+
+
+**Тесты:**
+
+1. Создайте слой из 2 нейронов (каждый принимает 3 входа).
+2. Создайте датасет: 3 примера, где каждый пример имеет 3 входа и 2 целевых значения.
+3. Обучите слой в течение 200 эпох.
+4. После обучения выведите результат предсказания для нового входа `[0.5, 0.2, 0.1]`.