總的來說就是教計算機怎麼認識、自然語言等，現在主要是視覺，和聽覺。
1.生物神經網路：
一般指生物的大腦神經元，細胞，觸點等組成的網路，用於產生生物的意識，幫助生物進行思考和行動。
2.人工神經網路：
（artificial neural networks）簡稱anns 也叫（connection model）連線模型。它是一種模仿動物神經網路行為特徵，進行分布式並行資訊處理的演算法數學模型。這種網路依靠系統的複雜程度，通過調整內部大量節點之間相互連線的關係，從而達到處理資訊的目的。
3.神經網路是在**十年代就出現了，只是因為那時候計算機很慢，研究的成果找不到什麼應用場景，所以在十年前神經網路基本在機器學習領域中消失了。但幾年後差不多在2023年神經網路應用於語音識別，2023年應用於機器視覺，隨著大資料以及快且便宜的gpu出現，神經網路又復甦了。
3.神經網路是一種運算模型，由大量的節點（或稱「神經元」，或「單元」）和之間相互聯接構成。每個節點代表一種特定的輸出函式，稱為激勵函式（activation function）。每兩個節點間的連線都代表乙個對於通過該連線訊號的加權值，稱之為權重（weight），這相當於人工神經網路的記憶。網路的輸出則依網路的連線方式，權重值和激勵函式的不同而不同。而網路自身通常都是對自然界某種演算法或者函式的逼近，也可能是對一種邏輯策略的表達。人工神經網路通常是通過乙個基於數學統計學型別的學習方法（learning method）得以優化，所以人工神經網路也是數學統計學方法的一種實際應用，通過統計學的標準數學方法我們能夠得到大量的可以用函式來表達的區域性結構空間，另一方面在人工智慧學的人工感知領域，我們通過數學統計學的應用可以來做人工感知方面的決定問題(也就是說通過統計學的方法，人工神經網路能夠類似人一樣具有簡單的決定能力和簡單的判斷能力)，這種方法比起正式的邏輯學推理演算更具有優勢。
4.神經網路是模仿大腦的神經元，當外界刺激達到一定的閥值(bias)時，神經元才會受刺激，影響下乙個神經元。超過閾值，就會引起某一變化，不超過閾值，無論是多少，都不產生影響。輸入層（input），這層的神經元負責接收資料，不處理資料，所以沒有閾值。輸出層（output），有閾值。根據網路的輸入情況來設定閾值。
讓機器能做出正確的判斷與決策！
先說 過擬合、最優擬合、欠擬合。用顧名思義的方法理解
過擬合：a去模仿b模仿（學習）的太像太像了，把a的優點與缺點都模仿（學習去了）。
最優擬合：a去模仿（學習）b只模仿（學習）最關鍵且必須要的特徵。
欠擬合：讓a去模仿（學習）b，a堅持走自己的個性化路線。
定量的輸出結果叫回歸，也叫連續性**。目的是選擇決策邊界。
定性的輸出結果叫分類，也叫離散性**。目的是尋找最優擬合。
回歸是回歸分類是分類，去評價他們用的方法自然也各有不同。
機器學習總結
1.常用的機器學習演算法包括 監督學習 半監督學習 無監督學習 增強學習 遺傳演算法 監督學習 就是人為的設定規則，告訴機械人該執行怎麼樣的行動。無監督學習就是不告訴機械人具體的實施辦法，只給定規則，讓機械人過程當中自己學習總結經驗 半監督學習就是結合少標籤的樣本和大量無標籤的樣本進行學習和分類 強...
機器學習總結
0機器學習概述 什麼是機器學習？機器學習的分類 兩種分類方式。機器學習的一般流程 模型訓練中的交叉驗證 將資料分為幾份，每份第一次訓練做訓練集，第二次做了測試集 機器學習的評價 混淆矩陣 auc roc 一 線性回歸 解析解的求解過程，要求自己推導 目標函式，過擬合，正則式 模型效果 mse rms...
機器學習總結
傳統的機器學習大致分為 線性回歸 邏輯回歸 決策樹支援向量機 神經網路 等深度學習以神經網路的回歸為基礎，之後會談到的大致有 卷積神經網路 遞迴神經網路 這段時間學習以來，很直觀的體會到，機器學習的本質就是再用計算力和合適的 演算法來 你想要 的東西，比如房價問題，分類問題等。假設你的算力足夠強大，...