Napjainkban a neurális hálók tanítása aktív kutatási terület. Az erre irányuló fejlesztésekkel igyekeznek a hálók paramétereit a lehető leggyorsabban a lehető legáltalánosabb megoldást szolgáltató optimumba terelni. A jelenleg használt gradiens módszerek egyik problémája, hogy nem garantált a globális optimum megtalálása, illetve szükséges a háló, mint számítási gráf deriválhatóságának teljesülése, amely leszűkíti a gráfban használható műveletek halmazát.

A hallgató feladata megismerkedni a neurális hálók felépítésévél és a tanításukra általánosan használt sztochasztikus gradiens módszerrel. Ezen felül a feladat kiemelt része a genetikus algoritmusok, mint globális optimum megtalálására alkalmas optimalizációs eljárások alapos megismerése. Ezen ismeretek felhasználásával a hallgató feladata, hogy PyTorch keretrendszerben megtervezzen és implementáljon egy, a neurális hálókhoz alkalmazható genetikus algoritmus alapú optimalizátort. Végül a feladat részét képezi, hogy a hallgató megvizsgálja, milyen performanciát képes elérni egy, a megalkotott algoritmussal tanított neurális háló a gradiens alapú tanításhoz képest.