想象一下大脑由无数神经元连接而成。人工神经网络（ANN） 正是受此启发构建的计算模型。它的核心是大量像神经元一样的人工节点（或称“神经元”），它们分层组织（输入层、隐藏层、输出层），并通过带权重的连接相互传递信号。
- 学习过程： 神经网络不是被预先编程的，而是通过训练来学习的。给它输入大量数据（如图片、文本），它会不断调整神经元之间的连接权重（就像加强或削弱神经突触）。目标是让网络的最终输出（如图片分类结果）尽可能接近正确答案。
- 关键机制： 每个神经元接收来自前一层神经元的信号，这些信号乘以权重后求和。然后，它通常通过一个激活函数（如ReLU）来决定是否“激活”并将信号传递给下一层。这个非线性函数让网络能学习复杂的模式。
- 为何强大？ 神经网络擅长从海量、复杂的数据中自动发现隐藏的特征和模式，无需人工明确指定规则。这种能力称为表示学习或特征学习。
- 广泛应用： 它们是现代人工智能的核心驱动力，应用于图像识别（如人脸解锁）、语音识别（如智能助手）、机器翻译、内容推荐、自动驾驶、医疗诊断分析等众多领域。
简单说，神经网络是一个通过学习数据来自动调整内部连接的数学模型，模仿大脑处理信息的方式，从而具备强大的识别和预测复杂模式的能力，正在深刻改变我们的生活。
下面，我们结合数据
data = {{0, 3.1}, {1, 3.4}, {2, 4.2}, {3, 4.4}, {4, 4.9}, {5, 5}};来做基本的使用入门介绍。
(1)构造模型：
net = LinearLayer[1]（2）构造输入输出数据：
inputOutpuData = Rule @@@ data（3）训练模型：
trained = NetTrain[net, inputOutpuData]（4）模型可视化：
Show[
ListPlot[data],
Plot[trained[x], {x, 0, 5}]
]