我們前面介紹了線性模型跟基本的神經網路模型。
可能有的人會覺得我怎麼不放神經網路的圖，看數學式子看的很痛苦。
是的，我的確沒打算放圖。一來神經網路的圖在各大網站或是 google 上遍地都是我實在沒有必要再放一張，二來因為這個模型的核心根本不是哪些圖，那些圖只是幫助理解，理解之後就都是看數學式了，再回去看圖就太小兒科了。
神經網路的概念在於將多個模型串接起來，也就是前面提到的堆疊的概念。
繼續閱讀我們把線性模型們都大統一了。
$$
y \overset{f}{\longleftrightarrow} \mathbb{E}[y] \leftrightarrow \eta = \mathbf{w}^T\mathbf{x} + b
$$
接下來就要進入到令人興奮的神經網路模型了！
繼續閱讀我們來回顧一下 SVM 模型。
繼續閱讀從前面的 kernel SVM 當中我們已經獲得了很強大的模型，可是他還是會有不足之處，像是當資料有雜訊的時候就容易將每個資料點都個別分開。
有時候我們反而希望模型在面對雜訊上不要那麼敏感，或是不要把每個資料點都分對，這時候怎麼辦呢？
繼續閱讀注意：整篇文章極度數學高能！！
沒有把前一篇文章看完的朋友別擔心，我們會在開頭先回顧一下。在一番數學技巧的替換過後，我們的 maximum-margin classifier 會被化成一個最佳化問題。這個最佳化問題可以用二次規劃（quadratic programming, QP）來解。
繼續閱讀上次我們完成了感知器的介紹，感知器也有他相對應的學習演算法：perceptron learning algorithm (PLA)。
不過我們今天沒有要講 PLA，我們來講講感知器的缺點。
感知器這個模型有很多的缺點，但是因為他是最簡單的模型，我們就放他一馬（？）。
繼續閱讀