با استفاده از Keras و پایتون یک مدل ساده شبکه عصبی (Sequential) بساز و آن را روی داده‌های MNIST آموزش بده تا ارقام را دسته‌بندی کند و دقت نهایی را گزارش کن.

برای جلوگیری از بیش‌برازش از Dropout یا EarlyStopping استفاده کن و با یک معماری ساده شروع کن: Flatten → Dense(128, activation='relu') → Dense(64, activation='relu') → Dense(10, activation='softmax'). دیتای MNIST را به [0,1] نرمالیزه کن و برچسب‌ها را با to_categorical یکی‌گرمی کن، سپس مدل را با Adam و categorical_crossentropy کامپایل و با batch_size مناسب و چندین Epoch آموزش بده. از model.summary برای بررسی معماری و تعداد پارامترها استفاده کن و تنظیمات مانند batch_size (مثلاً 128) و epochs (مثلاً 10–20) را آزمایش کن. در نهایت دقت نهایی را با evaluate گزارش کن و اگر لازم بود با افزودن Dropout یا تغییر واحدهای پنهان، بهبود بده.