你有沒有想過，AI 為什麼能從很多範例裡學會判斷？ 你可以把它想成一層一層的小判斷器，先看簡單特徵，再把它們組合成更高層的意思。 神經網路是很多深度學習模型的基本骨架，靠權重、非線性和層級表示學複雜關係。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
神經網路 vs 線性模型 神經網路：能學非線性關係 線性模型：主要處理線性可分問題 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
神經網路 vs 決策樹 神經網路：以層與權重做表示學習 決策樹：以規則分裂做判斷 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
一層層抽特徵，最後拼成答案。
實際案例
影像辨識 底層先看邊緣，中層看局部形狀，高層才知道像不像貓。
文字分類 模型先看詞與詞的關係，再判斷這段話的主題或情緒。
算法與應用
神經網路由輸入層、隱藏層、和輸出層組成。 每一層都會做加權和與非線性轉換，讓模型能逼近複雜函數。 它的威力來自深層表示，但也因此更需要資料、算力、和良好的訓練方法。
情境判斷
Q1（直覺題）： 你要做一個能看圖分類的模型，最常想到的核心元件是什麼？
神經網路，因為它能學多層特徵表示。
Q2（判斷題）： 如果資料本身很少，神經網路一定會贏過簡單模型嗎？
不一定，資料少時簡單模型常更穩。
iPAS 考題
Q：神經網路的基本作用是什麼？ → 透過多層節點與權重計算，學習輸入和輸出之間的非線性關係。
Q：為什麼神經網路比單層線性模型更有表達力？ → 因為它可以疊加非線性轉換，表示更複雜的函數。
常見問題
神經網路就是深度學習嗎？
不是，深度學習通常指更深、更大的一類神經網路。
它一定要很多層嗎？
不一定，層數少也可以是神經網路，只是表達力較有限。
它為什麼需要訓練？
因為權重不是手工規則，要靠資料學出來。