Day 11: 人工神经网路初探 基础知识建立

前篇我们介绍了关於机器学习的基础名词以及分类总集，接下来就让我们细讲人工神经网路的运作原理及基础结构吧!

※注意※ 英文专有名词翻译过来可能有许多种版本，笔者这边使用直译的方式，还请见谅~

人工神经网路

Neuron 神经元

人工神经网路设计成像是人类脑袋运作的计算系统。
单个精神网路的精神元被称作感知器(Perceptron)，对输入信号进行操作和产生输出。一个典型的神经网路包含多个精神元，神经元的输入来自资源(相机或感测装置)或者是其他精神源的输出。

x1, x2, x3, … xn都是输入信号(如: 图片特徵点)，而w1, w2, w3, … wn是个别输入信号的权重 ，f(x) 处理单元被称作neuron，透过actication function 由neuron产生输出。

Perceptron 感知器

一颗在神经网路的neuron被称作感知器 (perceptron)
每个感知器实作数学方法去操作输入信号并产生输出
单个感知器是最简单的神经网路
典型的精神网路由多个neuron组成
Neuron的输入如不是来自於实体物件的来源 就是来自於其他neuron的输出
感知器的学习目标是决定每个输入信号的理想权重(weights) 学习演算法任意为节点指派权重。单一数值呈上对应的权重，每个信号的product(权重乘上单一值)会被加入计算输出上。而优化方法(optimization function)使用5-2来优化权重，计算重复执行，直到给予输入集合的权重完全优化为止。

Multi Layer Perceptron多层感知器

一个人工精神网路包含多个neuron，输入由一组neurons处理。一组里每个neuron各自处理输入。来自这组neuron的输出会传送给单个neurons或另一组neurons去执行下一次处理。
层面(Layer)需要多少个便可产生多少个，这种多层管理neuron的方式在神经网路中被广泛认知为多层感知器 MLP。

单体neuron塑造了输入和输出之间的线性关系，机器学习演算法像是线性回归和逻辑回归同样塑造线性关系。但是绝大多数现实世界的问题并不存在线性关系，多层感知器模组是属於非线性关系且能够塑造出更贴近现实世界的问题。

下篇接续~