1.机器学习

以买橙子为例：不同品种/颜色/大小等的橙子味道不同，我们创建一个包含了不同变量（品种/颜色/大小等）和结果（橙子的味道）的模型，将不同的橙子扔到模型中，模型就会随着新的样本变得越来越全面。这就是机器学习。

2.人脑是如何学习的

大脑学习包括信息输入/模式加工/动作输出

（1）信息输入：视觉，听觉，触觉等。对应感觉神经元

（2）模式加工：比如人第一次看到猴子，大脑视觉皮层至少有30个不同区域会参与到这一过程中，每一块区域负责处理图像的一个方面，比如皮毛，尾巴。面部和动作，这些综合起来形成了猴子的一个完整形象，储存到大脑的记忆区中。对应联络神经元

（3）动作输出：对应运动神经元

不同的输入，以及不同的大量的神经元通过强弱不同的链接方式，导致了行为方式的多样化。这就构成了复杂的神经网络。

3.构造神经网络

S代表神经元的输出，p代表神经元的输入，w代表输入的权重，b代表神经元的内部强度：s=p1*w1+p2*w2+p3*w3+b

4.感知器的学习

感知器的学习就像探索性测试，通过不断的修改神经网络的权值和偏置，最终得到一个可用权重并用已经训练好的感知机去做一些事情。

单层神经网络学习步骤：

（1）预设任意的w和b，并计算出实际输出

（2）使用e=t-a，计算出期望输出t和实际输出a的误差e

（3）使用w(new)=w(old)+e和b(new)=b(old)+e，计算出新的w和b，并回到步骤1

  重复上述步骤直到误差e为0，则学习完成