感知机是 1958 年罗森布拉特（F. Rosenblatt）提出的第一个会自己学权重的神经元模型：把输入乘上权重加起来，超过 0 就输出「是」。 它不是最早的神经元模型：1943 年 McCulloch 与 Pitts 提出的 M-P 神经元模型更早，只是那个模型的权重和阈值要人事先定好，不会自己学。 感知机学习的规则只有一句：分错了，就把权重往正确答案的方向推一下。 点「检查下一个样本」一个一个看，橙色箭头是权重方向，黑线是它画出的分界。
操作：点图上空白处加一个样本（上面选类别）；右键删除。也可以在右边手动拖权重，自己试着把线摆对。
从「权重清零」开始训练时，η 只是把权重整体放大或缩小：每一步的判断、更新次数、最后的分界线完全一样， η = 0.1 和 η = 1 都是 2 轮、9 次更新，只是权重差 10 倍。先手动拖过权重再训练，η 才会影响过程。
分拣场景的数据为教学用合成数据，阈值关系是为演示设定的。
本页由 AI 教学改革实践研究计划独立编写（算法为公开知识），可自由嵌入、修改与再分发（CC BY-NC 4.0）。
AI 课程公益资源