В разделе объясняется, почему понятие алгоритма оказалось в центре дискуссий об искусственном интеллекте и нейросетях. Формулируются проблема, цель, задачи и предполагаемый результат проекта, обозначаются границы исследования. Также кратко описывается практический эксперимент, по которому будет проверяться различие между заранее заданным правилом и поведением обучаемой модели.

Здесь раскрываются основные свойства алгоритма: дискретность, определённость, конечность, результативность и применимость к классу задач. Объясняется, зачем нужны формальные языки, блок-схемы и псевдокод, а также почему естественное описание решения может быть неоднозначным. Раздел создаёт понятийную основу для последующего сравнения с нейросетевой моделью.

Раздел посвящён способам строгого представления вычислений: машинам Тьюринга, алгоритмам Маркова, рекурсивным функциям и обычным программам. Сравниваются их общие черты и ограничения, включая необходимость явного задания правил. Отдельно поясняется, что формальная модель позволяет доказательно рассуждать о вычислимости, завершении и корректности процедуры.

В пункте последовательно описываются искусственный нейрон, веса, смещение, функция активации, слои и выход модели. Рассматриваются обучение на примерах, функция потерь, градиентный спуск и обратное распространение ошибки. Теория сопровождается простыми формулами и схемой, чтобы показать, как изменение параметров влияет на результат вычисления.

Здесь сопоставляются классическая программа и нейросеть по источнику правил, способу настройки, объяснимости, устойчивости и требованиям к данным. Анализируется, какие части нейросетевой системы задаются заранее, а какие формируются при обучении. Раздел помогает уточнить, в каком смысле сеть является алгоритмом, а в каком представляет собой модель, полученную из данных.

В разделе описывается постановка практической проверки: выбирается простая задача классификации или логического преобразования, задаются обучающая и тестовая выборки, критерии качества и условия сравнения. Обосновываются архитектура сети, параметры обучения и способ фиксации результатов. Особое внимание уделяется воспроизводимости эксперимента и предотвращению утечки тестовых данных.

Пункт содержит описание подготовки данных, написания или настройки программного прототипа и последовательности запуска обучения. Показывается, как регистрируются значения ошибки, точности и времени работы, а также как проверяются отдельные примеры. При необходимости приводятся фрагменты кода, таблицы и графики, позволяющие повторить эксперимент на обычном компьютере.

Здесь интерпретируются полученные показатели и ошибки, сравнивается поведение нейросети с заранее заданным алгоритмом. Обсуждаются переобучение, зависимость от объёма и качества данных, непрозрачность внутренних параметров и невозможность автоматически гарантировать корректность во всех случаях. В конце формулируются условия, при которых нейросетевой подход действительно полезен.

В заключении обобщаются результаты теоретического анализа и практического эксперимента, после чего даётся ответ на вопрос о роли нейросети в формализации понятия алгоритма. Указывается, какие свойства классического алгоритма сохраняются, какие становятся менее очевидными и почему нейросети следует рассматривать как дополнение, а не безусловную замену строгим вычислительным моделям.

В разделе приводятся использованные источники: учебники по информатике и математической логике, работы по теории вычислимости, документация библиотек машинного обучения и материалы об интерпретируемости нейросетей. Для каждого источника указываются автор, название, год публикации или дата обращения и ссылка, если материал размещён в интернете.