神经 是一种常用的分类算法，历史久远，是机器学习发展史中，从感知机到80年代BP （前馈神经 ），到90年代卷积神经 、卷积神经 。2000年后，随着大数据发展，神经 进入大数据版本时代。
尤其近几年，发展速度变快，神经 领域，图像识别、语音识别、文字处理，我们都可以看到神经 ，主要是深度神经 这个高级发展阶段的身影。
而且，在机器学习的应用领域里，深度学习，最近几年已经成为了主力军。
下面我们一起来看一看神经 主要内容。
神经 ，俗称人工神经 。
那为什么叫人工神经 的？这是因为机器学习，主要是“模仿人”去学习、
“模仿人”去思考的。
同样，人工神经 也是模仿，或者说假设人的神经 工作的机理。但是事实上，人的神经 我们还没有真正的搞清楚。这只是说，在一定程度上，我们用人工的神经 来模拟人类大脑的结构。
神经 ，众所周知，它的发展从早先的感知机，从单个神经元：我们知道人的神经元，是我们神经系统的一个组成单位；同样的，我们要模拟人的神经 ，自然的，到多个神经元。
从而连接的结构，从简单到复杂，从简单的层次就是比较少的层次，从两层到三层，然后到多层，一直到最近几年深度学习，可以达到上千层的连接结构。
接下来介绍其中一个比较重要的算法，就是BP神经 ，也称为反向传播神经 。
这是在八十年代产生的，非常重要的神经 。
今天大家接触到的深度学习的 ：包括卷积、循环神经 ，实际上都是来自于BP神经 。将结构、训练的算法，通过一定改进得来的。
前馈神经 在神经 的整个发展史里起到了非常重要的作用。所以首先要将反向传播神经 学透，尤其是 结构、 训练的 以及 调优的 。尤其是如何去除局部记号值，如何去除神经 在训练过程中的问题。这些都是学习深度学习的基础。
神经 的种类很多，因为神经 ，除了分类。
上面谈到的BP神经 ，主要用作分类。如早期90年代，非常成功地应用数字识别，0-9十个数字；后来拓展到26个英文字母，以及汉字，再后来就是深度学习，可以识别各种各样的物体，包括动物。可以看到，神经 的用途非常广。
除了分类之外，还有用于聚类的神经 。
神经 有很多类别，不同的类别因为功能不一样，自然结构也不一样。
深度学习，发展到现在，不是一天就可以做到的。早期神经 的发展史，在上个世纪很早的时代，就已经存在这样的概念了，比如早期的神经 只有一个神经元，是模仿人的大脑结构的最基本的组成单元。大家知道我们人脑有几千亿个神经元，每个神经元实际上都起到一定的作用，当然每个神经元不是孤立工作的，是有一定的结构，当然是非常复杂的结构，组成一个 。从而能够帮助我们解决非常复杂的，像分类、聚类的问题。
早期的或者较传统的神经 ，结构比较简单，神经元比较少。最早的时候，只有一个神经元，这个神经元叫感知器。此外，早期神经 ，不仅神经元个数少，连接的结构、神经元激活的函数，都是比较简单的。因此功能也比较简单，只能学习非常简单的，如线性分类。
对于复杂的、非线性分类问题，解决起来较困难。所以后来，神经 的结构越来越复杂，功能越来越高，可以处理复杂的非线性分类的问题。
神经 ，上面提到是“模仿”人的神经 ，只是模仿，或者说初级的模仿。
神经 ，基本的机理，是怎么思考的呢？比如，人是通过触觉、听觉、视觉等各种各样的感觉器官，相当于机器的传感器，传感器可以接受外界的输入，人类的触觉可以感知压力、温度、疼痛等等。
同样神经 的神经单元也可以接触，或者说可以输入外界的样本数据。而输入样本数据需要通过复杂的 结构去处理，处理主要靠 的连接，连接结构早期简单，但是后来越来越复杂。连接结构构成一种处理机制，处理机制可以帮助我们将输入数据进行处理，从而获得特征。
作为分类的一种算法，神经 如前馈神经 ，主要作分类。
分类最主要的工作就是找特征，能把各个类别的样本区分开来的自然会有一些特征。
