前言： 很多【现实问题】，都可以转换为【数学问题】，通过函数予以证明。 万能逼近定理：组合多样的神经元可构成深度网络，逼近任意可测函数。
机器学习（Machine Learning）：依赖结构化或标签化数据进行训练，需要明确告知数据的标签。 深度学习（Deep Learning）：属于机器学习，使用神经网络主动从原始数据中自动提取特征，不需要明确标签。
权重(w)：对上一个神经网络层的输入（向量矩阵）进行聚合约束 偏置(b)：对下一个神经网络层的输出（向量矩阵）进行微调约束
感知机：有神经网络的地方，就有感知机。
反向传播：所有和神经网络相关的深度学习，都依赖反向传播进行神经权重微调。
AI 发展至今（1950 - ），神经网络的模型基本没有改变。
via https://www.ruanyifeng.com/blog/2017/07/neural-network.html
via https://www.cloudflare.com/zh-cn/learning/ai/what-is-neural-network/
via https://aws.amazon.com/cn/what-is/neural-network/
via https://www.ibm.com/cn-zh/topics/neural-networks
via https://aws.amazon.com/cn/compare/the-difference-between-deep-learning-and-neural-networks/
感知机（1957 年提出） = 线性函数+ 激活函数（阶跃激活｜二元｜0/1）
将线性任务转换为数学问题（任务/数据需要提前进行标注）：