U završnom je radu implementiran okvir za izradu umjetnih unaprijednih slojevitih neuronskih mreža. Za implementaciju je korišten programski jezik Python. Također, korištene su sljedeće knjižnice: numpy, tkinter i pyplotlib. Strukture podataka korištene za unaprijedno propagiranje i treniranje su dvodimenzionalne numpy matrice. Implementirani radni okvir omogućava postavljanje aktivacijske funkcije za svaki sloj neuronske mreže, a ponuđene aktivacijske funkcije su ReLU, leaky ReLU, sigmoida, tangens hiperbolički i funkcija f(x)=x. Za treniranje se koristi Backpropagation s mogućnošću namještanja stope učenja ili stope inercije. Kao funkcija cijene implementirana je suma kvadriranih pogrešaka,a kao indikator naučenosti možemo koristiti sumu kvadriranih pogrešaka i maksimalnu vrijednost pogreške. Svi dijelovi okvira implementirani su tako da se na jednostavan način mogu dodati nove mogućnosti, odnosno alternative. Završni se rad također sastoji od alata koji omogućuje generiranje potrebnih primjera za problem klasifikacije točaka u dvije skupine. Taj je alat izrađen pomoću knjižnice tkinter. Radni okvir omogućuje izradu mreža koje, između ostaloga, rješavaju problem klasifikacije. Tri su primjera takvih problema i njihovih rješenja također objašnjeni i analizirani u ovome radu. Prva dva su problemi klasifikacije točaka u dvije skupine, a treći je klasifikacija rukom pisanih brojeva iz MNIST baze. Konstruirani model rješava problem klasifikacije tih brojeva s 96.5% točnosti.