1：人工神經網路：探索神經網路的基礎知識和廣泛意義。

2：感知器：了解單層學習模型的建構模組。

3：Jürgen Schmidhuber：探索現代網路背後的開創性研究。

4：神經進化：檢查優化神經結構的遺傳方法。

5：循環神經網路：研究具有順序資料記憶的網路。

6：前饋神經網路：分析資料沿單一方向移動的網路。

7：多層感知器：了解增強網路深度的分層結構。

8：量子神經網路：揭示量子輔助學習模型的潛力。

9：ADALINE：研究用於模式識別的自適應線性神經元。

10：迴聲狀態網路：探索時態資料的動態儲層模型。

11：尖峰神經網路：了解受生物學啟發的神經系統。

12：油藏計算：深入研究專用網路進行時間序列分析。

13：長短期記憶：旨在保留資訊的主架構。

14：人工神經網路的類型：區分各種網路模型。

15：深度學習：掌握多層網路的深度和範圍。

16：學習規則：探索指導神經模型訓練的方法。

17：卷積神經網路：分析為影像資料客製化的網路。

18：梯度消失問題：解決網路訓練中的挑戰。

19：雙向循環神經網路：發現雙向處理資料的模型。

20：殘差神經網路：學習先進技術來優化學習。

21：人工神經網路的歷史：追蹤這個變革領域的演進。