手撕机器学习系列文章就暂时更新到此吧，目前已经完成了支持向量机SVM、决策树、KNN、贝叶斯、线性回归、Logistic回归，其他算法还请允许Taoye在这里先赊个账，后期有机会有时间再给大家补上。
更新至此，也是收到了部分读者的好评。虽然不多，但还是非常感谢大家的支持，希望每一位阅读过的读者都能够有所收获。
该系列文章的全部内容都是Taoye纯手打，也是参考了不少书籍以及公开资源，系列总字数在15W左右（含源码），总页数为138，后期会再慢慢填补，更多的技术文章可以来访Taoye的公众号：玩世不恭的Coder。文档可以随意传播，但注意不可修改其中的内容。
如果文章中有任何不懂的问题，都可以直接提出，Taoye看见后会第一时间回复，同时欢迎大家来此私密地向Taoye催更：玩世不恭的Coder，公众号也有Taoye的私人联系方式。有些话，Taoye只能在那里和你偷偷地说 (#`O′)
为了提高大家的阅读体验，手撕机器学习系列文章Taoye已经整理成PDF和和HTML，阅读效果都很不错，在公众号【玩世不恭的Coder】下回复【666】即可免费获取，相信大家看完后一定会有所收获
后期的计划就是更新深度学习相关的内容，关于深度学习，Taoye认为最好的学习方式（入门）就是自己手动实现，包括其原理以及代码部分（能实现就尽可能的实现）。在实现的同时中要不断思考其过程，这样非常有助于正确理解深度学习。
所以，该系列文章前期会尽可能从零开始来肝深度学习，而非一上来就搬出像Tensorflow、Keras、Caffe等这种“黑盒子”。
本篇文章主要是讲解感知器，同时也是为后面神经网络的内容打好基础，该文主要包括以下三个部分的内容：
到底什么是感知器啊
如何基于感知器实现逻辑电路以及异或问题的抛出
基于两层感知器完美解决异或问题
一、到底什么是感知器啊我们不妨先从其表面来初步理解一下感知器吧。
“感知器，感知器”，既然它是带有一个“器”字，那么我们不妨将其看做一个“机器”？
既然是个机器，那么它能必然能代替人工来实现一些我们所需要的功能，且我们能够人为的提交某些“东西”给它，而它同时也能根据我们所提供的“东西”给我们一些反馈。
是这样的嘛？？？
没毛病，兄dei，就是这样的。
感知器它能接收多个输入信号，并且根据这多个信号输出一个信号。这里的输入信号可以理解成我们给感知器提供的一些“东西”，或者说是数据（相信有阅读过Taoye的手撕机器学习系列文章的读者都能轻松明白吧），而输出信号则可以理解成经过感知器这个“机器”处理过后所得到的结果。
在上图感知器中，其接收了两个输入信号\(x_1, x_2\)，并通过\(w_1,w_2\)处理过后输出一个信号\(y\)。其中\(w_1,w_2\)表示权重，权重越高，体现的是信号的重要性就越高，而每个圆圈代表一个“节点”或者说是“神经元”。输入信号\(x_1,x_2\)被输入到神经元之后，会分别乘以对应的权重\(w_1,w_2\)，并求和得到\(w_1x_1+w_2x_2\)，假如这个总和超过某个界限\(\theta\)的时候，此时输出信号\(y=1\)，否则输出信号\(y=0\)，这里的界限\(\theta\)我们也可以理解成阈值或是门槛，体现的是神经元被激活的难易程度。
用数学表达上述过程如下：
\[ y = \begin{cases} 0, & w_1x_1+w_2x_2 \leq \theta\\ 1, & w_1x_1+w_2x_2 > \theta \\ \end{cases} \]