權重 × 輸入 + 偏置 → 放電與否。調參數讓它學會 OR / AND / NAND。
開始實驗一層裡多個神經元分工偵測，再加總成更複雜的判斷。
開始實驗Sigmoid、Tanh、ReLU：非線性讓多層網路真正有用。
開始實驗MSE / MAE / Huber：不同的「錯多少」會改變學習行為。
開始實驗在損失山谷往下走：梯度指路，學習率決定步幅。
開始實驗前向預測、反向用鏈式法則把誤差拆回每個權重。
開始實驗單層畫不出彎曲邊界；兩層就能解決 XOR——為什麼要「深度」。
開始實驗分數變機率，交叉熵衡量分類有多確定。
開始實驗一邊學會、一邊驗收——為什麼不能用同一批資料打分數。
開始實驗訓練很好、測試很差——模型背了雜訊而不是規律。
開始實驗用 λ 懲罰過大權重，在過擬合與欠擬合之間找平衡。
開始實驗小濾鏡在影像上滑動——CNN 如何抽出邊緣。
開始實驗輸入文章：分詞 → 向量 → Self-Attention → Softmax，看下一個 token 怎麼來。
開始實驗