19、从感知机到神经网络 - 智能的萌芽与进化
学习目标：理解感知机作为线性分类器的工作原理，掌握感知机学习算法的数学推导，理解单层感知机的局限性和多层感知机的必要性，学会神经网络的基本概念，建立从线性模型到深度学习的认知桥梁。
> 从第18章到第19章：从规则学习到连接主义
在第18章中，我们探索了决策树这种基于规则的学习方法。决策树通过一系列if-else条件来进行分类，就像人类专家的决策过程一样直观明了。但是，人脑的工作方式真的是这样的吗？
实际上，人脑更像是一个由千亿个神经元组成的复杂网络。每个神经元从其他神经元接收信号，经过处理后向后续神经元传递信号。这种基于连接而非规则的信息处理方式，启发了另一类机器学习算法的诞生。
感知机就是对生物神经元的最简化数学模拟。它接收多个输入信号，给每个信号分配一个权重，然后将加权后的信号求和。如果总和超过某个阈值，神经元就"激活"并输出信号；否则保持静默。
从决策树的"离散规则"到感知机的"连续权重"，这不仅是算法设计思路的转变，更是对智能本质理解的深化。决策树模拟的是"逻辑推理"，而神经网络模拟的是"模式识别"。前者擅长处理结构化的知识，后者擅长从大量数据中学习复杂的模式。
这一章将带你经历一段从感知机到多层神经网络的智能进化之旅，理解单个"神经元"如何组合成强大的学习系统，以及为什么深度学习会成为人工智能的主流方法。