**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]`.