5.1 MP神经元
模拟生物神经元，接受n个输入并得到加权和，和自身特有的阈值进行比较（作差），经过激活函数得到输出结果。
单MP神经元：感知机，对数几率回归（逻辑回归）
多MP神经元：神经网络
可以建模成之前我们熟悉的线性模型y=wx+b
激活函数sgn函数（阶跃函数）、sigmoid…
5.2 感知机
5.2.1 数学角度
5.2.2 几何角度
只能解决线性可分的问题
三要素：（模型、策略、算法）
模型：
策略：分错的时候算损失函数
最小化损失函数
将阈值固定为-1，简化模型。
算法：随机梯度下降
由于像感知机这种单个神经元分类能力有限，只能分类线性可分的数据集，对于线性不 可分的数据集则无能为力，但是多个神经元构成的神经网络能够分类线性不可分的数据集（西瓜书上异或问题的那个例子），且有理论证明（通用近似定理）：只需一个包含 足够多神经元的隐层，多层前馈网络（最经典的神经网络之一）就能以任意精度逼近任意复杂度的连续函数。因此，神经网络既能做回归，也能做分类，而且不需要复杂的特 征工程。
BUT，理想很丰满，现实很骨感，神经网络存在如下问题待屏幕前的你来解决：
- 面对一个具体场景，神经网络该做多深？多宽？
- 面对一个具体场景，神经网络的结构该如何设计才最合理？
- 对一个具体场景，神经网络的输出结果该如何解释？
5.3 神经网络
5.3.1 多层前馈神经：全连接
5.3.2 分类、回归
主要限制：数据量、特征（神经网络解放了人力）
5.3.3 BP反向传播算法
