神经网络（Neural Networks）
1、定义
神经网络是由具有适应性的 简单单元组成的 广泛并行互联的网络，它的组织能够模拟生物神经系统 对真实世界物体 所做出的交互反应。
神经网络的基本组成部分是神经元模型。
感知机——神经网络的基本组成单元
生物神经元 M-P神经元
生物神经元通过树突接受多个信号，处理加工后通过轴突输出（多输入，单输出）
M-P神经元类似，接受多个输入，加权处理之后有且只有一个输出。
感知机是由两层神经元组成，如下图，它由输入层和输出层两部分组成。输入层负责接受责信号然后将信号传递到输出层（后层）。输出层是M-P神经元
感知机（单层神经网络）
一开始的输入层只负责传输数据，并不会进行激活函数的处理。我们在计算层数的时候往往只考虑进行激活函数处理的层。所以这里是单层神经网络。（后面记得是N-1）。
单层神经网络加权计算 两层神经网络加权计算
神经网络得发展历程图，亦是我们学习得路线图
下面卡一个视频实例
https://edu.csdn.net/course/play/6094
（时间定位 6：30 --- 9：35）
2、优缺点
优点：
§ 分类的准确度高；
§ 并行分布处理能力强,分布存储及学习能力强，
§ 对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；
§ 具备联想记忆的功能。
缺点：
§ 神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；
§ 不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；
§ 学习时间过长,甚至可能达不到学习的目的。
3、应用场景
适用于数据量庞大，参数之间存在内在联系的时候。（贝叶斯的特征独立假设）
§ 图像人脸识别
§ 语音、文字识别
§ 文本到语音（转录）
§ 垃圾邮件筛选（异常情况探测）
§ 推荐系统（客户关系管理、广告技术、避免用户流失）