完整定義
神經網路（Neural Network / Artificial Neural Network, ANN）是深度學習的基礎架構。基本單元：神經元計算加權求和 Z = Σ wᵢxᵢ + b，再通過激活函數（ReLU、Sigmoid、Softmax）輸出。iPAS 考試重點（官方勘誤）：加權求和通式下標應為 wᵢxᵢ（非 w₁x₁）；邏輯迴歸的假設是「對數勝算的線性關係」（Linearity in Log-Odds），非「線性可分性」。
白話說明
你有沒有想過，AI 為什麼能從很多範例裡學會判斷？
你可以把它想成一層一層的小判斷器，先看簡單特徵，再把它們組合成更高層的意思。
神經網路是很多深度學習模型的基本骨架，靠權重、非線性和層級表示學複雜關係。
記住這句
一層層抽特徵，最後拼成答案。
容易混淆
神經網路 vs 線性模型
神經網路：能學非線性關係
線性模型：主要處理線性可分問題
神經網路 vs 決策樹
神經網路：以層與權重做表示學習
決策樹：以規則分裂做判斷
實際案例
影像辨識
底層先看邊緣，中層看局部形狀，高層才知道像不像貓。
文字分類
模型先看詞與詞的關係，再判斷這段話的主題或情緒。
算法與應用
神經網路由輸入層、隱藏層、和輸出層組成。
每一層都會做加權和與非線性轉換，讓模型能逼近複雜函數。
它的威力來自深層表示，但也因此更需要資料、算力、和良好的訓練方法。
情境判斷
Q1（直覺題）：你要做一個能看圖分類的模型，最常想到的核心元件是什麼？
神經網路，因為它能學多層特徵表示。
Q2（判斷題）：如果資料本身很少，神經網路一定會贏過簡單模型嗎？
不一定，資料少時簡單模型常更穩。
iPAS 考題
Q：神經網路的基本作用是什麼？
透過多層節點與權重計算，學習輸入和輸出之間的非線性關係。
Q：為什麼神經網路比單層線性模型更有表達力？
因為它可以疊加非線性轉換，表示更複雜的函數。
常見問題
不是，深度學習通常指更深、更大的一類神經網路。
不一定，層數少也可以是神經網路，只是表達力較有限。
因為權重不是手工規則，要靠資料學出來。
出現在這些考古題
官方公告試題的逐題解析裡，這 3 題把神經網路列為延伸術語。
立即測驗
想測試你對 神經網路 的掌握程度？用考古題作答
相關術語
- 深度學習Deep Learning神經網路是它最核心的底座。
- 線性迴歸法Linear Regression先對比簡單模型，理解神經網路的增量。
- 決策樹Decision Tree常被拿來跟神經網路比較。
- 損失函數Loss Function訓練神經網路時一定會用。
- 神經架構搜尋Neural Architecture Search如果想自動找更好的網路骨架，這個概念就接上了。
本頁內容有提到，或屬於同一組主題的術語
來源
這個術語目前沒有標註外部來源。
考試範圍：iPAS AI 應用規劃師評鑑內容範圍參考（115.02 更新），經濟部產業人才能力鑑定，實際考試內容以官方公告為準。
其他格式：Markdown 版本