AI技術の進展によって，機械学習に利用されるニューラルネットワークは様々な分野で応用されるようになってきた。ニューラルネットワークが得意とする問題に分類問題がある。例えば，ニューラルネットワークによって手書きの数字を分類(認識)することができる。
　分類問題には線形問題と非線形問題がある。図1に線形問題と非線形問題の例を示す。2次元平面上に分布した白丸(〇)と黒丸(●)について，線形問題(図1の(a))では1本の直線で分類できるが，非線形問題(図1の(b))では1本の直線では分類できない。機械学習において分類問題を解く機構を分類器と呼ぶ。ニューラルネットワークを使うと，線形問題と非線形問題の両方を解く分類器を構成できる。　2入力の論理演算を分類器によって解いた例を図2に示す。図2の論理演算の結果(丸数字)は，論理積(AND)，論理和(OR)及び否定論理積(NAND)では1本の直線で分類できるが，排他的論理和(XOR)では1本の直線では分類できない。この性質から，前者は線形問題，後者は非線形問題と考えることができる。〔単純パーセプトロンを用いた論理演算〕
　ここでは，図2に示した四つの論理演算の中から，排他的論理和以外の三つの論理演算を，ニューラルネットワークの一種であるパーセプトロンを用いて，分類問題として解くことを考える。図3に最もシンプルな単純パーセプトロンの模式図とノードの演算式を示す。ここでは，円をノード，矢印をアークと呼ぶ。ノード x1 及びノード x2 は論理演算の入力値，ノード y は出力値(演算結果)を表す。ノード y の出力値は，アークがもつ重み(w1，w2)とノードyのバイアス(b)を使って，図3中の演算式を用いて計算する。　単純パーセプトロンに適切な重みとバイアスを設定することで，論理積，論理和及び否定論理積を含む線形問題を計算する分類器を構成することができる。一般に，重みとバイアスは様々な値を取り得る。表1に単純パーセプトロンで各論理演算を計算するための重みとバイアスの例を示す。
　例えば，表1の論理和の重みとバイアスを設定した単純パーセプトロンに　x1=1，x2=0 を入力すると，図3の演算式から 1×0.5＋0×0.5－0.2＝0.3＞0 となり，出力値は y=1となる。〔単純パーセプトロンのプログラム〕
　単純パーセプトロンの機能を実装するプログラム simple_perceptron を作成する。プログラムで使用する定数，変数及び配列を表2に，プログラムを図4に示す。simple_perceptron は，論理演算の入力値の全ての組合せ X から論理演算の出力値 Y を計算する。ここで，関数に配列を引数として渡すときの方式は参照渡しである。また，配列の添え字は0から始まるものとする。〔3層パーセプトロンを用いた論理演算〕
　パーセプトロンの層を増やすと，単純パーセプトロンでは解くことのできない非線形問題を解くことができるようになる。例えば排他的論理和を計算する分類器は，3層パーセプトロンを用いて構成することができる。
　3層パーセプトロンの模式図とノードの演算式を図5に，排他的論理和を計算するための重みとバイアスの例を表3に示す。ノード m1 及びノード m2 を中間ノードと呼ぶ。〔3層パーセプトロンのプログラム〕
　3層パーセプトロンの機能を実装するプログラム three_layer_perceptron を作成する。表2に示したものに加えて，このプログラムで使用する定数及び配列を表4に，プログラムを図6に示す。three_layer_perceptron は，論理演算の入力値の全ての組合せ X から論理演算の出力値 Y を計算する。