这节课从函数开始，讲解了线性关系和非线性关系的区别，以及神经网络如何形成，帮你快速把握人工智能从符号主义到联结主义的思路演进。

重要知识点一览：

• 符号主义的局限：对于复杂任务（如图像识别），难以找到精确的函数描述。
• 连接主义的崛起：找到新思路，放弃寻找精确函数，转而通过猜测和简化问题，逐步逼近真实答案。通过调整参数 W 和 B，使得预测值逐渐接近真实数据。
• 引入非线性关系：因为简单线性关系无法描述更复杂的数据模式。于是出现了激活函数。通过添加非线性运算（如平方、sine、E）使线性关系变得灵活多变。

神经网络的形成

• 结构化表达：将线性变换和激活函数组合成神经元，并扩展为多层结构。
• 前向传播：信号从输入层传递到输出层的过程，类似于函数值的分步骤计算。
• 最终目标：神经网络可以表达非常复杂的非线性函数，但核心目标依然是求解参数，即根据已知的 X 和 Y 值，猜测并优化 W 和 B 的值。