一、案例定位

用 Frank Rosenblatt 的感知器理解早期神經網路如何從「明確寫規則」轉向「從資料學分類」。

二、學習目標

• 理解線性可分分類問題。
• 認識單層感知器的限制。

三、案例情境

原書把 Frank Rosenblatt 的感知器（Perceptron）定位為早期神經網路的重要里程碑。它是一種單層神經網路，可學習線性可分的模式；後來發現它無法辨識許多需要非線性邊界的模式，造成神經網路研究一段時間的停滯。原始感知器也被做成 Mark I Perceptron 硬體，用於影像辨識。

四、開始資料

五、Excel／AI 分析方法

教學時可用簡單的二維特徵資料畫散佈圖，先判斷兩類資料是否能以一條直線分隔，再討論感知器是否適用。

六、計算結果

原書沒有提供特定分類資料，因此本頁不自行產生分類正確率。

七、結果分析與管理解讀

這個案例說明模型能力必須與問題結構匹配；不是「有學習演算法」就能處理所有模式。

八、AI 提問詞

根據以下二維標記資料，判斷是否看起來線性可分；只做描述，不得虛構感知器訓練正確率。

九、思考／情境變動

**題目：**資料必須用彎曲的決策邊界才能分開時，單層感知器是否合適？

**參考解答：**依原書描述，不合適；其核心限制就是無法處理許多非線性模式。