梯度下降：類神經網路的學習機制

神經網路如何透過梯度下降法進行學習，並以辨識手寫數字的 MNIST 數據庫作為核心範例。網路透過調整上萬個權重與偏差值，旨在最小化衡量預測誤差的代價函數。這個過程就像球體滾下山谷尋找局部最小值，利用微積分計算出的梯度方向來優化效能。雖然初階網路未必能如人類般理解構圖邏輯，甚至可能只是記憶數據，但其展現出的數學規律奠定了現代人工智慧的基礎。作者強調，理解這種函數優化的本質，能讓看似科幻的機器學習轉化為清晰的微積分實作。