Dari regresi logistik ke jaringan saraf

Hasil belajar:

1. Menjelaskan neuron buatan sebagai regresi logistik (skor linear lalu aktivasi) dan menulis aturan belajar perceptron Rosenblatt sesuai kontrak (perceptron_latih).
2. Membuktikan dengan aljabar bahwa XOR tidak terpisah linear, lalu menunjukkan dengan kode bahwa perceptron gagal sedangkan MLP dua lapis berhasil.
3. Menulis mlp2_maju (tanh lalu sigmoid) yang stabil numerik dan memeriksa bentuk, menghitung jumlah parameter, dan menjelaskan mengapa tumpukan lapisan tanpa aktivasi nonlinear runtuh menjadi satu lapisan linear.
4. Menurunkan gradien MLP dua lapis dari gradien regresi logistik, memeriksanya dengan selisih hingga, dan melatih MLP kecil untuk XOR dan spiral; menjelaskan peran inisialisasi acak (memecah simetri).
5. Memutuskan kapan jaringan saraf layak dibanding regresi logistik atau gradient boosting pada data tabular, dengan angka dari data digit.

Hasil lab: nalar.py berisi perceptron_latih dan mlp2_maju sesuai kontrak proyek-nalar.md; skrip eksperimen XOR dan spiral dengan benih tetap; (opsional) padanan torch.nn.Sequential di Colab. Contoh diuji dengan Python 3.12 dan 3.13, NumPy 2.4.6, dan scikit-learn 1.8.0 (hanya sebagai pembanding). Pemisahan digit baku dari kontrak: piksel dibagi 16, uji = baris dengan indeks i % 3 == 0.