一、案例定位

理解隱藏層與反向傳播如何突破單層感知器的限制，以及 Hopfield 網路如何處理聯想記憶。

二、學習目標

• 說明「向前計算 → 損失 → 反向調整權重」的基本流程。
• 理解聯想記憶如何面對不完整或含雜訊的輸入。

三、案例情境

原書指出，David Rumelhart、James McClelland 等人的平行分散處理（Parallel Distributed Processing）研究引入隱藏層與反向傳播；John Hopfield 則提出 Hopfield 網路，可從不完整或含雜訊的輸入中喚回已儲存模式，例如辨識部分遮擋的人臉。

四、開始資料

五、Excel／AI 分析方法

可用簡化訓練紀錄表 迭代次數｜預測值｜實際值｜損失｜權重調整方向，理解反覆最佳化的概念。

六、計算結果

原書沒有提供特定損失值或網路層數，因此不自行生成訓練數字。

七、結果分析與管理解讀

1980 年代的重要轉折之一，是模型不再只靠明確規則，而能透過範例與反覆調整權重逐步改善表現。

八、AI 提問詞

根據以下訓練紀錄，說明損失是否下降以及權重調整方向；不得自行推測未提供的網路架構。

九、思考／情境變動

**題目：**若只有單層網路，而資料又不是線性可分，原書為何認為多層方法更有能力？

**參考解答：**因為隱藏層能學習更複雜的非線性模式。