1.機器學習
以買橙子為例：不同品種/顏色/大小等的橙子味道不同，我們創建一個包含了不同變量（品種/顏色/大小等）和結果（橙子的味道）的模型，將不同的橙子扔到模型中，模型就會隨着新的樣本變得越來越全面。這就是機器學習。
2.人腦是如何學習的
大腦學習包括信息輸入/模式加工/動作輸出
（1）信息輸入：視覺，聽覺，觸覺等。對應感覺神經元
（2）模式加工：比如人第一次看到猴子，大腦視覺皮層至少有30個不同區域會參與到這一過程中，每一塊區域負責處理圖像的一個方面，比如皮毛，尾巴。面部和動作，這些綜合起來形成了猴子的一個完整形象，儲存到大腦的記憶區中。對應聯絡神經元
（3）動作輸出：對應運動神經元
不同的輸入，以及不同的大量的神經元通過強弱不同的鏈接方式，導致了行為方式的多樣化。這就構成了復雜的神經網絡。
3.構造神經網絡
S代表神經元的輸出，p代表神經元的輸入，w代表輸入的權重，b代表神經元的內部強度：s=p1*w1+p2*w2+p3*w3+b
4.感知器的學習
感知器的學習就像探索性測試，通過不斷的修改神經網絡的權值和偏置，最終得到一個可用權重並用已經訓練好的感知機去做一些事情。
單層神經網絡學習步驟：
（1）預設任意的w和b，並計算出實際輸出
（2）使用e=t-a，計算出期望輸出t和實際輸出a的誤差e
（3）使用w(new)=w(old)+e和b(new)=b(old)+e，計算出新的w和b，並回到步驟1
重復上述步驟直到誤差e為0，則學習完成