在前面的文章已經有介紹過Preceptron了，這是最簡單的神經網路，雖然課程裡面沒有要直接把Model實做出來的部分
但是為了讓文章結尾精彩一點我們要來實作Preceptron囉！
要實作Preceptron之前我們要來徹底的了解Preceptron的工作原理囉！
首先選擇我們的資料集，我們要用ML的經典Dataset，IRIS的Dataset鳶尾花數據集，也就是我們要透過花萼長度、花萼寬度、花瓣長度、花瓣寬度來預測鳶尾花的種類，不過呢在這組數據裡，我們有三種鳶尾花而我們的Preceptron只能做二元分類而已QAQ所以我們把原本的數據集(0、1、2)這三種只取(0、1)這兩種來做預測！

我們已經知道輸入有花萼長度、花萼寬度、花瓣長度、花瓣寬度四個資料來做預測，
於是我們Preceptron的輸入有4個我們要分別乘上權重，並且加總，也就是做加權和！
加權和算完之後我們要加上一個偏差，偏差就類似是一個閥值，可以控制神經元激活的容易度，
偏差越小神經元越不容易激活，反之則非常容易激活！
而我們加權和再加上偏差後我們得到的值稱為Activation Value，
這個Value會是任意值，不過我們要輸出的是0&1而已，所以我們要把Activation Value經過Activation Function，
而我們在這次的例子裡因為輸出的是0&1，所以我們選用的Activation Function是Sigmoid！
Sigmoid Function可以把任意值的輸出壓縮在0&1之間！剛好符合我們的需求。

到最後我們就可以開始計算誤差，並把誤差平方得到MSE(這些理由之前都有說過~)
好的重頭戲來了，我們要來更新參數！也就是做學習的動作，用來更新銓重和偏差的算式我這裡先不贅述，
明天的程式碼會有！這些公視的推倒其實很簡單！首先先把你要更新的參數取出來(例如：W1)
再來把其他參數視為常數，並進行微分！這就是大名鼎鼎的偏微分啦~

推導一次
LossFunction = MSE(ERROR(Activation Func(X1*W1)))
根據微分鎖鏈法則做完之後就可以得到Gradient也就是W1應該要調整的值囉！