1.1 尺有所短，寸有所長

　　總結來說，就是一些任務比如數百萬數字乘法運算這種對於計算機很容易，而圖像識別這種對人類來說很容易。

1.2 一臺簡單的預測機

　　書中舉了一個例子：假設不知道千米和英裏之間的轉換方式，僅僅知道兩者關系是線性的，並且有兩組正確的千米/英裏匹配的數值對示例，如下所示。

　　線性關系的形式應該為“英裏 = 千米 * C”，其中C為常數，但是現在還不知C是多少。

　　其實如果是用人類的思維，馬上可以想出兩點確定一條直線，C =（62.137 - 0）/ （100 - 0），馬上可以計算出C。但是站在計算機的角度，要怎麽求出C？

計算機的做法

1. 隨手取一個隨機的數值，不妨取C=0.5，那麽千米=100時，計算得到的英裏為50。
2. 和真實示例給出的62.137相比，少了12.137. 這是計算結果與列出的示例真實值之間的差值，即誤差。
3. 現在已經知道這個C錯了，不能很好的計算出真實示例2，而且已經知道誤差，它可以指導機器取猜測得到第二個更好的C值。
4. 將C從0.5增加到0.6看看會發生什麽？計算得到的英裏為60，誤差值變得更小了，為2.137。這裏使用之前得到的誤差值指導如何改變C的值。因為希望輸出值變得更大些，因此稍微增加了C的值。
5. 重復這個過程，輸出值60還是還小，再次微調C，這次調置0.7，發現誤差值為-7.863。負號說明這次調動超了。
6. 那如果從0.6調到0.61得到的誤差值為1.137，所以這次微調是比較成功的。現在如果對這個誤差感到滿意的話，已經可以給出最終關系了；或者可以繼續重復上面的內容。
7. 其實每次的修正值取為誤差值的百分比是比較科學的，因為大誤差意味著較大的修正值，小誤差意味著只需要小小地微調C值即可。

總結

　　計算機的做法看似有些愚蠢、呆板，因為人在學校裏學習代數知識求解數學和科學問題往往是一步到位，精確求解。但是，對於計算機來說，嘗試得到一個答案，然後多次改進，這種叠代的方式更適合它的計算方式。

第一部分 神經網絡如何工作（1.1-1.2）