人工神经网络（Artificial Neural Networks）顾名思义，是模仿人大脑神经元结构的模型。上图是一个有隐含层的人工神经网络模型。X = （xxx）是ANN的输入，也就是一条记录的在m个属性上的值。每个属性对应一个输入节点。
对于输入层来说，输入层的输出O就是输入层的输入x
对于隐含层的其中一个节点j来说，节点j的输入为ΣOw(i的取值为所有与节点j相连的输入层节点)。可以发现，节点与节点之间的连接是有一个权重的，这个权重将会影响最后的分类结果。而我们对ANN的训练过程，实际上也就是调整权重的过程。
而隐含层的输出，引入一个激励函数，此时，将激励函数设为
上图中激励函数中的自变量x，在ANN中就是这个节点的输入，也就是ΣOw
对于输出层来说，输入值就是隐含层的输出值。而输出层的输出值，与隐含层的计算方法类似。通常，取相同的激励函数。
前向算法：用来对一条数据进行分类。通过以上的计算方法，可以得出一个输出，将这个输出与阈值相比较，就能能出分类结果。
后向算法：用来训练模型，调整权重。
E表示ANN预测的分类与真实分类的误差。我们的目标是将E变的越小越好。
给定一个标注好的数据集，可以定义这样一个误差函数：
计算E的梯度
上式为下降的“步子”
Batch neural network training
思想：对于每一天记录，都算出其O，再计算E，求出梯度，调整w。
Online training
思想:根据每一天单挑记录，修改权重。
优点：更快的收敛率和减少陷入局部最优解的可能。
算法过程