现代机器学习的核心概念——从图像识别到神经网络——完全可以教给初中生（11-14岁）。关键在于借助 Wolfram Language 的技术栈，将复杂的内部机制自动化，让学生专注于直觉和概念理解，而非数学细节。
Wolfram 设计机器学习章节时，必须满足：
| 示例 | 类型 | 教学目的 |
|---|---|---|
| LanguageIdentify | 非魔法 | 学生可以想象查字典的实现方式；建立"从例子学习"的基础概念 |
| ImageIdentify | 魔法 | 展示现代机器学习的惊人能力；激发兴趣 |
| Sentiment Analysis | 分类器概念 | 无限输入 → 有限输出（3种情感类别） |
| 手写数字分类 | 可解释的学习 | 展示 Classify 如何从例子中学习 |
机器学习的核心直觉：输入离哪个例子"最近"，就被归类为哪一类。Wolfram 用三个渐进示例建立这个直觉：
Nearest[{10,20,30,40,50,60,70,80}, 22] → 20
最直观：22 离 20 最近
颜色用 RGB 三元组表示（如 {1,0,0} = 红色）
Nearest 可以在"颜色空间"中找最近的颜色
Nearest[WordList[], "good", 10]
找与 "good" 最接近的 10 个单词
这三个例子建立了一个关键直觉：
Wolfram 故意展示机器学习失败的场景，这比只展示成功更有教育意义：
"字体不同，结果就不同——这些细节在可识别边缘时至关重要。"这引出了机器学习中一个核心问题：模型的鲁棒性。
将高维数据（图像、文本）映射到 2D 平面上，相似的东西自动聚类在一起。
| 数据 | 可视化结果 | 教学意义 |
|---|---|---|
| 随机颜色 | 相似颜色自然聚类 | 最直观的理解 |
| 字母图像 | 相似字母（如 a, o, e）靠近 | 强化"最近邻"直觉 |
| 真实照片 | 猫、狗、车自动分离 | 展示 ImageIdentify 的工作原理 |
"FeatureSpacePlot does a nice job of separating images of different kinds of things—again giving an idea of how ImageIdentify might work."
→ 分类的本质就是：在特征空间中找到决策边界
ImageIdentify 不只是返回一个答案，而是返回概率分布：
这引出了关于先验概率和特异性 vs 确定性权衡的讨论。
用 WebImageSearch 获取角色图片，训练分类器识别 Star-Lord、Gamora、Groot、Rocket
分类器把真实的浣熊也识别成了 Rocket！
→ 展示了过拟合和特征选择的问题
Wolfram 展示了 ImageIdentify 神经网络处理老虎图像时，每一层都在做什么：
| 层级 | 可视化 | 发生了什么 |
|---|---|---|
| Layer 1-3 | 多张原始图像的变体 | 网络复制图像，每张提取不同特征（边缘、颜色、纹理） |
| Layer 10 | 更抽象的图像 | 提取更高层次的特征（条纹、形状） |
| Layer 20 | 大量小图像 | 网络在"思考"许多不同的特征组合 |
| Layer 28 | 少数"亮起的通道" | 开始"得出结论"，大部分通道关闭 |
| Layer 31 | 数字数组，几个峰值 | 只剩下少数候选类别 |
| Softmax | 概率分布 | 最高峰值 = "tiger" |
"The layers in a neural net are actually just functions, that take numbers in, and put numbers out."
| 组件 | 功能 | 可视化 |
|---|---|---|
| Ramp 函数 | 最简单的非线性：f(x) = max(0, x) | 看起来像斜坡 |
| LinearLayer | 线性变换：输出总是平坦的 | 等高线图是直线 |
| 多层组合 | Linear + Ramp + Linear + Ramp | 可以产生复杂曲面 |
| 增加神经元 | 3 个神经元 → 最多 4 个线性段 | 100 个神经元 → 非常复杂的函数 |
"Neural nets of pretty much the type we're talking about here had actually been studied for more than 60 years—but until the modern deep learning revolution nobody knew that it was going to be practical to train them for real problems."
"Modern machine learning is very new—so even many of the obvious experiments haven't been tried yet."
预测前 60 个罗马数字的长度
I=1, II=2, III=3, IV=2, V=1, VI=2...
少量训练 → 粗略拟合
网络学会了大致趋势
considerably better result
网络学会了更精细的模式
"To me the most exciting point is the overarching one of just how wide open this territory is—and how easy it is now to explore it."
"Yes, there are plenty of technical details—some fundamental, some superficial. But transcending all of these, there's intuition to be developed. And that's something that can perfectly well start with the middle schoolers."