战情室第一天
杨导师空手走进了办公室，说今天上午不需要电脑，咱们玩个游戏顺便我也了解一下你们到底有多差？我介绍一下规则，我来出题，你们每个人按顺序回答，如果你答不出来或者答错了，就罚去买一瓶饮料，等游戏结束了，中午就是买对应数量饮料放在战情室里供大家饮用。听明白了么？
“明白了”，我们齐声答到。
“回答问题时，我还有两个要求，一不能背概念和公式，二你回答的问题其他两个人也要能听明白为标准，我会根据你的答案去问其他两个人是否能听懂，他们若是不懂会有连坐机制，回答者和不懂者两个人各罚一瓶饮料”，杨导师说道，“回答问题顺序按照安逸，路思，高维开始，第一题按机器学习算法讲，我们现在在战情室的学习方式属于哪类，为什么？”
我：“属于监督学习，因为您是老师会对我们的答案进行修正，我们也会根据修正的知识不断迭代自己的知识体系，最终成为老师那样能根据各种问题输入都能输出正确答案的人”，其他两个人都点点头。
“那么你迭代和修正的是什么？”
路思：“是我的答案和正确答案的误差，比如我说去天津应该从南边走，您告诉我应该从北边走，那么下次我的答案可能是往偏北方向走，虽然还有偏差，但距离正确答案比之前近了很多。”
“好，那么什么是导致路思知道是往偏北方向走的原因？”
高维：“因为有正确答案告诉他啊，所有的答案都有我们的输出结果和正确结果两种，这也是监督学习的优势，可以根据正确与预测之间的差别去修正路线。”
“用最通俗的语言解释下什么是线性方程？”
我：“一分钱一分货，钱与货有对应的线性关系。”
“对数的理解是什么？”
路思：“用一对数去代表一个复杂的数，对数将复杂乘除运算简化为加减运算和查对数表就能获得答案”
“举个相对标准差的实际应用场景的例子。”
果不出所料第一瓶饮料诞生了，高维连什么是标准差都不知道。按顺序轮到我来接着回答这个问题。
我：“标准差可以反映一个数据的波动情况，这里我举的例子是股票的价格，如果该股票在一段时间内价格的标准差很大代表其非常活跃，股价经常有大涨或大跌，但单看标准差的话会有个问题，不同股票由于价格不一样，导致虽然标准差波动值一样，但实际的波动范围不一样，平均价格100元波动5元和平均价格10元同样差标准差是5元，但实际波动范围差别很大，所以引入相对标准差，也就是在标准差上面再多做一步，标准差与平均价格做个比值，一个是5除以100，另一个是5除以10，来描述波动幅度。”我解释的多一些，主要是希望高维能听懂。但杨导师没有搭理我说这么多继续问了下去。
“回归与分类分别是解决是哪两类问题？”。
路思：“回归是预测连续数值类型的，如根据之前天气状况和对应的温度预测今天的温度，而分类问题就是离散数值类型的预测，比如根据特征分辨猫，狗啊。”
“路思说的离散型数据是指的哪类数据？”
高维：“。。。。。。”
杨导师：“路思你和高维一人一瓶饮料。路思再解释下离散数据，如果高维还不懂，继续买饮料。”
路思面对这个结果有点吃惊，他高估了高维的数学水平，额头有点冒汗了，要解释最基础的定义的有时真是不好找到替换词语。
路思：“还是说预测温度这个事情吧，温度是连续型数据你能理解吧，因为温度在一个区间内可以无限取值，38度，38.1度38.22度都可以是无穷尽的，但如果你说预测一个国家里面所有的城市温度时，那么这些个城市一定是有限个数量，而且每个城市都可以通过边界可分的，而且城市之间也没有什么连续关系，这样理解了么？”
高维点点头，我心想路思顺便把连续数据也解释了，是怕高维连这个也不懂再被罚饮料。
杨指导没有再追加这个问题，“高维，作为一个经常上网购物的女孩子，如果让你设计一个通过买家的信息来推荐给买家合适的鞋，你会选择哪些字段作为学习属性，不会选哪些，为什么？”
高维：“首先我选择的字段肯定是买家之前的买到鞋的尺码，这个是必须的，还有买家在不同鞋品中描述页面的停留时间，这个属性可以将商品描述和用户对商品的关注度进行了量化，我不会选择之前购买鞋的式样，颜色等字段作为偏好，因为女孩子哪有老买同样的东西，推荐是个预购买行为，不是买完了再推荐类似产品的行为。”
我心想要是我回答我一定会选式样，颜色等字段的，必须推荐用户一直使用的产品，男女有别，谁对谁错呢。
“最后一个问题，安逸，你的哪个薄弱环节导致你来到战情室接受辅导的？”
好么，这个问题和机器学习有什么关系，我哪里知道啊，评审组邮件通知我的啊，我想了想回答：不是我差，是别人比我更优秀吧。
“恩，上午的游戏环节就到这里了，休息10分钟，开始一会儿的课程”，杨导师说完走出去了。
八卦的路思见导师走了，又来了精神，跟我们说：“你知道这个杨导师么，我昨天晚上和HR的小姐姐打听过了，三年前才结的婚，但还没要孩子，说是要在北京买完房再生，之前在一家国企后来这边许诺了股份和期权，才挖过来的，由于年龄大了还没孩子，心理不太正常的，咱们都小心点吧。