神经网络与机器学习（第3版）阅读笔记{第1章}

前言（）：
{
　　个人感觉翻译版翻译的有些生硬，现在看回了原版《Neural Networks and Learning Machines (3rd Edition)，Simon kaykin》，遇到困难时再参考翻译版。
　　
　　第一章主要有两个内容，一个是Rosenblatt感知器，另一个是正态环境下的Bayes分类器。
}

正文（）：
{
　　线性可分（）：
　　{
　　　　两类向量线性可分是指存在一个超平面（如果这两类向量是3维的，那么就是平面，2维的话就是一条值线）可以将这两类完全分开。
　　　　
　　　　比如说两类二维向量，类型为男和女，二维分别为身高和头发平均长度。虽然身高和头发平均长度与男女有关系，但无法直接只靠设置身高和头发平均长度的阈值就把它们分开。这种情况就叫线性不可分。
　　}
　　Rosenblatt感知器（初步了解）：
　　{
　　　　Rosenblatt感知器是只有一个节点的神经网络（或就是个节点不是网络），即是输入节点又是输出节点，其激活函是Heaviside阈值函数（或是别的，书上给的是这个）。
　　　　学习算法（）：
　　　　{
　　　　　　每输入Bs个样本向量之后进行一次权值更新，如下：
　　　　　　
　　　　　　其中w(n)是第n次（本次）权值更新后的权值向量；M是本次Bs个样本向量中被错误分类的样本向量集合；η(n)是第n次权值更新的学习率；x(i)是M中被错误分类的样本向量；当w(n-1)·x(i)>0时d(i)取-1&#x