1. 说明个人情况
2. 手头有大量移动硬盘，预测这些硬盘在未来一个月中会损坏的可能 （面临的两个问题：如何将数据处理成向量；因为数据是随时间连续的，所以要取哪些数据？）
3. 如何处理正负样本不均衡的问题？ （上采样：把小种类样本复制多份，但模型会有一个过拟合，所以可以在每次生成新数据点时加入轻微的随机扰动） （下采样：从大众类中剔除一些样本，或者说只从大众类中选取部分样本，但损失了大量数据，只能学习到数据中的一部分信息。 1. 可以采用又放回的重复采样方式，训练不同的分类器，组合各种分类器得到结果 2. 每次不放回正确分类的大众样本，接着下采样分类错误的大众样本，训练下一个分类器，组合各种分类器得到结果 3. 使用KNN挑选最具代表性的大众样本） 一、采样 二、数据生成 三、加权 四、一分类（把它看做一分类（One ClassLearning）或异常检测（Novelty Detection）问题。这类方法的重点不在于捕捉类间的差别，而是为其中一类进行建模，经典的工作包括One-class SVM等）