人工神經網路（Artificial Neural Networks，簡稱ANN）的由來可以追溯到20世紀中葉，它的發展受到了生物神經元結構的啟發。

神經元的基本運作方式有四個：

1. 輸入（Input）

2. 加權和（Weighted Sum）

3. 激活函數（Activation Function）（這個我們明天詳細介紹，不過大家應該有印象昨天我們在做神經網路模型時有使用到兩個激活函數：sigmoid、softmax）

4. 輸出（Output）

這四個步驟就是神經元如何處理輸入信號並生成輸出信號。這些神經元可以連接成神經網絡，形成複雜的信息處理系統，並且幫助我們解決各種機器學習和深度學習任務。

我們來舉一個例子：

舉例：判斷是不是垃圾郵件

1. 郵件的特徵（Features）：把郵件的各種特徵最為輸入值，例如郵件的主題、寄件人、內容中的關鍵詞等。

2. 加權和（Weighted Sum）：對每個特徵進行權重加權，然後將這些加權特徵相加，形成總和。這個總和表示了郵件是否符合垃圾郵件的特徵。(2 * 2 + 1 * 1 + 4 * 3=17)

3. 激活函數（Activation Function）：這個總和通常會經過激活函數，例如Sigmoid函數（昨天有用到）。激活函數將總和（17）轉換為一個介於0和1之間的值。

4. 輸出（Output）：根據激活函數的輸出，分類器決定郵件是垃圾郵件（0）還是正常郵件（1）。
   

我們構建神經網路最關鍵的任務就是找出最佳的權重參數配置，而這件事情會藉由訓練（training）才能做到