AI-For-Beginners/translations/mo/lessons/3-NeuralNetworks

神經網路簡介

如我們在介紹中所討論的，實現智能的一種方法是訓練一個電腦模型或一個人工大腦。自20世紀中期以來，研究人員嘗試了各種數學模型，直到最近，這一方向取得了巨大的成功。這些模仿大腦的數學模型被稱為神經網路。

有時神經網路被稱為人工神經網路（Artificial Neural Networks, ANNs），以表明我們討論的是模型，而非真實的神經網路。

機器學習

神經網路屬於一個更大的學科，稱為機器學習，其目標是利用數據訓練能夠解決問題的電腦模型。機器學習是人工智能的重要組成部分，但我們在這份課程中不會涵蓋傳統的機器學習。

請參考我們的獨立課程 機器學習入門，以了解更多關於傳統機器學習的內容。

在機器學習中，我們假設擁有一些範例數據集 X，以及對應的輸出值 Y。範例通常是由特徵組成的N維向量，而輸出則被稱為標籤。

我們將探討兩種最常見的機器學習問題：

• 分類：我們需要將輸入對象分類到兩個或多個類別中。
• 回歸：我們需要為每個輸入樣本預測一個數值。

當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數，N 是特徵數。輸出標籤 Y 是大小為 M 的向量。

在這份課程中，我們將專注於神經網路模型。

神經元的模型

從生物學中我們知道，大腦由神經細胞組成，每個神經細胞有多個“輸入”（軸突）和一個輸出（樹突）。軸突和樹突可以傳導電信號，而軸突與樹突之間的連接可以表現出不同程度的導電性（由神經遞質控制）。

真實神經元 （圖片 來自維基百科）	人工神經元 （圖片由作者提供）

因此，神經元的最簡單數學模型包含若干輸入 X₁, ..., X_N 和一個輸出 Y，以及一系列權重 W₁, ..., W_N。輸出計算公式為：

其中 f 是某種非線性的激活函數。

最早的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 A logical calculus of the ideas immanent in nervous activity 中被描述。Donald Hebb 在他的著作《行為的組織：一種神經心理學理論》中提出了訓練這些網路的方法。

本節內容

在本節中，我們將學習以下內容：

• 感知器：最早的二分類神經網路模型之一
• 多層網路 及其配套筆記本 如何構建我們自己的框架
• 神經網路框架，包括以下筆記本：PyTorch 和 Keras/Tensorflow
• 過擬合

免責聲明：
本文檔已使用 AI 翻譯服務 Co-op Translator 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵信息，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。