從本質上講，神經網絡能夠通過學習得出其自身的一系列特征。在普通的邏輯回歸中，
我們被限制為使用數據中的原始特征??1, ??2, . . . , ????，我們雖然可以使用一些二項式項來組合
這些特征，但是我們仍然受到這些原始特征的限制。在神經網絡中，原始特征只是輸入層，
在我們上面三層的神經網絡例子中，第三層也就是輸出層做出的預測利用的是第二層的特
征，而非輸入層中的原始特征，我們可以認為第二層中的特征是神經網絡通過學習後自己得
出的一系列用於預測輸出變量的新特征。
　　神經網絡中，單層神經元（無中間層）的計算可用來表示邏輯運算，比如邏輯與(AND)、
邏輯或(OR)。
　　舉例說明：邏輯與(AND)；下圖中左半部分是神經網絡的設計與output 層表達式，右邊

　　其中??0 = ?30, ??1 = 20, ??2 = 20 我們的輸出函數??? (??)即為：???(??) = ??(?30 + 20??1 +
20??2)
我們知道??(??)的圖像是：

所以我們有：???(??) ≈ x1AND x2
所以我們的：
這就是AND 函數。
接下來再介紹一個OR 函數：

OR 與AND 整體一樣，區別只在於的取值不同。

吳恩達機器學習筆記26-樣本和直觀理解1（Examples and Intuitions I）