一、以小孩识别食物为例，描述机器学习之神经网络算法原理

准备阶段：

• 一个小孩（将使用的神经网络算法）刚出生（所有参数都是初始化的），对母乳以外的什么食物可以吃（怎样得到预测值）一无所知。
• 准备好很多的多种多样的食物（训练数据的输入），每种食物幼童是否可以食用是恒定的（训练数据的输出），但是这个小孩不知道。

训练过程：

• 这个小孩一次吃食物经历：自己尝试或父母监督下吃了食物A(一次训练数据输入)得到奖励:甜\美味\不饥饿\父母亲抱（训练模型的正输出）,或者惩罚:苦\咸\难吃\挨打（训练模型的负输出），小孩得到了一次经验（模型的参数之一α得到了一次调整）
• 反复上述过程(训练数据的输入+输出的训练）.小孩学习到了经验（模型得到了适合这批训练数据的参数）。他不仅知道吃过的食物是否可以食用（模型拟合训练数据的能力），而且可以对未知食物是否可食用做出自己的预测（模型外推预测的能力）。

应用过程:

• 一段时间后：给这个小孩一个糖（新输入:颜色形状气味来源等），他就可以根据经验（模型的参数）做判断得到这个糖是否可以吃了（输出预测）。