function aproksymacja(wybor_fcn, algorytm_nauki)

krok_prob = .06;
ilosc_cylki_uczacych = 1000;
cel_nauki = 0.00001;
ilosc_neuronow = 5;

t_rzecz = 0:.01:4*pi;
t = 0:krok_prob:4*pi;




switch wybor_fcn
    case 1
        d = sin(t);
        d_rzecz = sin(t_rzecz);
    case 2
        k = 0;
        d = [];
        for i=1:length(t)
            if ((k*pi <= t(i)) && (t(i) < pi*(k+1)))
                d = [d, 0];
            elseif ((pi*(k+1) <= t(i)) && (t(i) < pi*(k+2)))
                d = [d, 1];
            else
                d = [d, 0];
                k = k+2;
            end
        end
        k = 0;
        d_rzecz = [];
        for i=1:length(t_rzecz)
            if ((k*pi <= t_rzecz(i)) && (t_rzecz(i) < pi*(k+1)))
                d_rzecz = [d_rzecz, 0];
            elseif ((pi*(k+1) <= t_rzecz(i)) && (t_rzecz(i) < pi*(k+2)))
                d_rzecz = [d_rzecz, 1];
            else
                d_rzecz = [d_rzecz, 0];
                k = k+2;
            end
        end
    case 3
        d = [1, sin(5*t(2:length(t))/2)./(5*sin(t(2:length(t))/2))];
        d_rzecz = [1, sin(5*t_rzecz(2:length(t_rzecz))/2)./(5*sin(t_rzecz(2:length(t_rzecz))/2))];
    case 4
        t_kw = (t.^2)./40;
        d = cos(t).*exp(-(t_kw));
        t_rzecz_kw = (t_rzecz.^2)./40;
        d_rzecz = cos(t_rzecz).*exp(-(t_rzecz_kw));
end

%%% Tutaj wpisz definicje sieci neuronowej oraz zdefiniuj parametry nauki:
%%% algorytm nauki (zmienna algorytm_nauki), funkje aktywacji w
%%% poszczegolnych warstwach sieci, cel nauki (zmienna cel_nauki), ilosc
%%% cykli uczacych (zmienna ilosc_cykli_uczacych)

net = feedforwardnet(ilosc_neuronow);

   switch algorytm_nauki
       case 1
      net.trainFcn ='traingd'
       case 2
       net.trainFcn = 'traingdx';
       case 3
       net.trainFcn = 'traingdm';
       case 4
        net.trainFcn = 'trainlm';
   end
   df = 100;        %Cz�stotliwo�� wy�wietlania
me = 8000;       %Maksymalny numer epoki
eg = 0.02;       %B��d SSE
lr = 0.01;       %Wsp�czynnik uczenia
net.trainParam.epochs = me;
net.trainParam.goal = eg;
net.trainParam.lr = lr;
net.trainParam.show = df;
%%% Tutaj zapisz trenowanie sieci neuronowej
net = train(net,t,d)

%%% Tutaj zapisz symulacje sieci
y = sim(net,t_rzecz);

blad = sum((d_rzecz-y).^2)
figure, plot(t,d,'+', t_rzecz,y, t_rzecz,d_rzecz), grid on, title('+: dane uczace, pomaranczowy: odpowiedz sieci, czerwony: zadana funkcja');