真正的w是权重，阈值是权重与输入点积后的一个评判标准，只是为了计算方便，才人为的将它记为w0，放在了点积计算中。

原公式是w1*x1 + w2*x2 + ... + wm*xm ?>= 阈值，两边同时加上阈值的相反数，左边就变成了w1*x1 + w2*x2 + ... + wm*xm - 阈值 ?>= 0，再人为的定义“-阈值”记为“w0”，就变成了现在这个样子。（我打不出阈值的那个符号，就先用中文代替下吧）

知道啦。

这个学习过程其实就是在算θ的过程

对于训练样本集中的每一个样本依次拿出来训练，因为是有监督学习，训练样本中包含了样本真实的分类，所以从感知函数输出后如果与真实分类不同，则调整权重向量，反之不需要调整。

说笑了,不都是初始化为0的一维数组吗?

訓練樣本不見得是正數吧

具体问题要具体分析的，所用的数学公式或者原理不同，很可能所面对的数据模型、结构也不一样，算法自然也要做相应的新的设计。

根据你要训练的具体项目，权衡更新方式的优缺点进行选择

随机的初始化一个值，后续会不断更新权重向量W，直到收敛。注意这个过程阈值是不断改变的，可以看成寻找最优解。

有一本书叫做《图解机器学习》是个日本作者写的。还是比较基础的

感知机的学习是有监督学习，在训练过程是有正确的类别来指导学习的，也就是每轮训练给出分类结果之后，只需要和gold类别对比就可以知道是否分类正确。

首先，我们所求的答案并不一定是最优答案（最值），而通常是相对最优答案（极值）。拿周志华机器学习中的例子来说，当你站在山坡的某个位置时，只看你当前位置朝哪个方向走下山最快（即求导的过程），然后朝那个方向迈出一步（即更新权重的过程），之后继续看朝哪个方向走下山最快，再继续迈出一步（反复迭代）。也许，你会走到真正的山底（最值），也许你遇到某个坑就停下了（极值）。而针对极值，如果想要跳出，就涉及后面的优化算法了。

学习率的大小是根据你的数学经验，当学习率设置较小时，需要更多的时间进行样本的训练；当学习率设置较大时，训练结果会出现震荡。阈值在样本的训练过程中会根据权重更新函数同步的进行更新。

机器学习是个基于当前和过去，面向未来进行预测的技术。就例如你在学校里每次考试后会对答案进行订正，而这些都是为了最终那一次不对答案的考试（不算估分，哈哈）。

指的是样例的结果是1还是-1的意思，能够对机器学习算法的训练起到反馈作用（作为调节权重参数w的参考，要是没有样例的结果的话就有点像学生写作业的时候做了很多题，却没有正确答案参考，就不能调节自己知识内容，也就不能在以后解决新的题目。），准确的说是有监督学习里的样例。

y‘是输出的值，会通过激活函数得到。

确实  看得我很懵逼啊