神经网络入门

课程定位

• 对 AI / 机器学习感兴趣但无编程基础的初学者
• 希望绕过复杂数学公式，从原理层面掌握神经网络的学习者
• 计划深入研究深度学习的预备学习者

课程结构与核心内容

Level 1：基础概念

• 主题：
  • 计算机视觉的挑战（像素级图像识别）
  • 传统编程的局限性与神经网络的必要性
  • 机器学习的本质（从数据中学习模式）

Level 2：单神经元与基础模型

• 核心模块：
  • 决策盒（Decision Box）：理解人工神经元的逻辑运算（如 AND/OR 门）
  • 激活函数：线性与非线性激活的差异（如 Sigmoid 函数）
  • 决策边界：通过可视化工具掌握二分类问题的几何表示
  • XOR 问题：单层网络的局限性与多层网络的必要性

Level 3：深度网络与应用

• 进阶内容：
  • 隐藏层：处理复杂模式的关键结构
  • 曲线拟合：神经网络在回归问题中的应用
  • 通用近似定理：神经网络的理论潜力
  • 形状识别网络：模拟计算机视觉的实际案例

课程特色

1. 无代码实践：
   • 通过交互式工具（如决策边界模拟器）替代编程，直接观察神经元行为。
   • 案例设计聚焦逻辑推导，如用神经元构建 XOR 门。
2. 数学轻量化：
   • 仅需基础代数（斜率计算）与逻辑知识（AND/OR 运算）。
   • 避免矩阵运算与微积分，通过几何直观解释模型原理。
3. 实战导向：
   • 提供 “训练单神经元” 等互动实验，体验学习算法的核心逻辑。
   • 通过 “形状识别网络” 模块理解模型如何 “观察” 与 “决策”。
4. 理论深度：
   • 覆盖神经网络的核心理论（如通用近似定理、激活函数作用）。
   • 探讨模型局限性（如过拟合风险、单层网络的表达能力）。

学习价值

• 原理理解：建立对神经网络 “如何学习” 的直观认知。
• 应用场景：掌握分类、回归、模式识别等基础任务的模型设计逻辑。
• 职业衔接：为进一步学习深度学习框架（如 PyTorch/TensorFlow）或算法（如反向传播）奠定基础。

学习建议

1. 配套资源：
   • 结合 Brilliant 平台的 《机器学习数学基础》 课程，强化数学直觉。
   • 实践工具推荐：Google 的 Teachable Machine 快速体验模型训练。
2. 进阶路径：
   • 完成本课程后，可衔接 Brilliant 的 《深度学习专项课程》 或 Coursera 的吴恩达《机器学习》。