本章将介绍神经网络 (neural network)的基本思想。我们首先分析人工神经元的结构和功能，它是最基本的处理单元。您将学习输入如何通过权重 (weight)和偏置 (bias)进行处理，这些是可学习的参数 (parameter)，在诸如 $z = \sum(weight \times input) + bias$ 的计算中得以体现。

接着，我们将介绍Sigmoid、Tanh和ReLU等激活函数 (activation function)，解释它们在引入非线性（$a = f(z)$）中的作用，这对学习复杂模式是必需的。最后，我们将看到这些单个神经元如何被组织成层（输入层、隐藏层和输出层），并连接起来形成前馈神经网络的基本架构。到本章结束时，您将理解主要组成部分以及它们如何配合处理信息。