1. 神經元結構
   

• 訊號通過樹突（dendrites）傳入神經元胞體(soma)
• 訊號通過軸突（axon）傳遞給其他的神經元 每個神經元只有一個軸突，成熟的神經元不經過細胞分裂

• 如果神經元A重複激勵神經元B，那麼他激勵神經元B的能力會變得更強，在生物學上表現的就是A和B的突觸旋鈕會變得更大
• 用數學模型表示：
  $w_i$
  = w i + η x i
  y w_i = w_i + \eta x_i y
  $w_i$
  是第 $i$個輸入神經元 $x_i$對輸出 $y$的權重
• 這個簡單的公式是許多機器學習演算法得基礎

3. Rosenblatt’s perceptron
   

• 輸入的線性組合

• 閾值邏輯： 如果輸入線性組合之和超過閾值，輸出為1
  $f(n)= \begin{cases} 1, & \text {if $\sum_{i}{w_i x_i} - T > 0$ } \\ 0, & \text{else} \end{cases}$

• 提供了學習演算法
  $\overrightarrow W = \overrightarrow W + \eta(d(\overrightarrow x)- y(\overrightarrow x))\overrightarrow x$

  • $d(x)$是神經元對於輸入 $x$的期望輸出
  • $y(x)$是實際輸出

優勢：

• 可執行布林任務（非， 或， 與）
• 能夠自動更新權值
• 演算法可收斂

不能執行異或演算法
說明僅有1個神經元完全不夠，因而出現了多層感知機(MLP)

summary:

1.多層感知機是連線計算圖（Multi-layer perceptrons are connectionist computational models）

2 .多層感知機可以用來分類（MLPs are classification engines）

3. 多層感知機也可以模擬輸出為任意連續值的函式（MLP can also model continuous valued functions）

4. 人工智慧就是通過網路構建可以模擬從輸入到輸出的函式（Interesting AI tasks are functions that can be modelled by the network）