如果你爬过山，怎会不了解机器学习？(7)

主场上座人数 = 神秘数字 1 × 球队胜率 神秘数字 2
任意一个类似的策略都对应着图中的一条直线，你希望这条线能尽可能地匹配你的数据点。两个神秘数字就是两个旋钮，你可以通过上下转动旋钮实现梯度下降，直到你无法通过任何微调降低策略的总体错误分数。（在这里，效果最佳的错误分数是所有球队的线性策略预测值与真实值之差的平方和，所以这个方法通常被称为“最小二乘法”。最小二乘法历史悠久，发展至今已十分完善，用它来寻找最优直线的速度比梯度下降法快得多，但梯度下降法仍行之有效。）
最终，你会得到一条如图4所示的直线。

图4
你可能会注意到，即使是错误分数最低的直线，其误差也不小。这是因为，现实世界中的大多数关系都不是严格意义上的线性关系。我们可以试着纳入更多的变量（比如，球队体育场的大小应该是一个相关变量）作为输入来解决这个问题，但线性策略的最终效果仍然有限。例如，这个策略不能告诉你哪些图片是猫。在这种情况下，你不得不冒险进入非线性的狂野世界。
深度学习和神经网络
在机器学习领域，正在研发的一种最重要的技术叫作“深度学习”。它有时以一种先知的姿态出现在人类面前，自动地、大规模地提供非凡的洞见。这种技术还有一个名称——“神经网络”，就好像这种方法能以某种方式自行捕获人类大脑的运行方式一样。
但事实并非如此。正如梅瑞迪斯·布鲁萨德所说，它的原理只是数学，甚至不是最新的数学。这一基本概念早在20世纪50年代末就出现了，从我1985年收到的那堆成人礼的礼物中，你也能看到与神经网络结构类似的东西。除了支票、几个圣杯和 20 多支高仕笔外，我还收到了父母送的也是我最想要的礼物——雅马哈DX21 合成器，它至今还在我的家庭办公室里。早在 1985 年就能拥有一台合成器，而不是电子琴，这让我感到非常自豪。你不仅能用DX21 合成器弹奏出钢琴、小号和小提琴的音色，还可以用它制作你想要的音色，前提是你能掌握那本 70 页说明书的晦涩内容，其中包含了很多如图5所示的图片。