1线性回归：第一个能算出来的模型
用 y = wx + b 给两组输入算出预测值，并向家长解释 w 和 b 各是什么。
第 1 页 · 正面（题目）
2逻辑回归：把分数变成概率
给定三个概率和一个门槛做分类判断，再说说调低门槛会发生什么。
3感知机：一个神经元长什么样
用加权求和 + 阈值亲手算一次神经元的输出，并调整一个权重看结果怎么变。
4激活函数：给模型加个弯
口算一组数经过 ReLU 的结果，并用「单向阀门」向家长解释它。
5多层感知机：叠起来的威力
画一个三层小网络并数清它的权重条数，说说隐藏层在学什么。
6反向传播：错误怎么传回去
用接力复盘的类比讲清反向传播，并说出它和梯度下降的分工。
7Softmax 与交叉熵：多分类的标配
说出 Softmax 的两个作用，并解释交叉熵为什么只关心正确答案的概率。
8别只看准确率：评估模型
用给出的数字算出精确率和召回率，并说一个「宁错杀不放过」的场景。
9从机器学习到深度学习：下一段地图
向家长讲清深度学习「深」在哪、爆发靠哪三股东风。
第 1 页 · 背面（答案）
参考答案（家长）：0.5 门槛时 0.8 拦截、0.5 与 0.2 放行（等于门槛通常算通过）；降到 0.3 后 0.5 也被拦——拦截变多、误伤也变多。
参考答案（家长）：60 平 → 125，90 平 → 185；w 是每单位输入带来的增量，b 是输入为 0 时的基础值（类似出租车起步价）。
参考答案（家长）：3、0、0、0.5——正数原样过，负数和零归零；像单向阀门，只放正信号通过。
参考答案（家长）：5×1 + 3×0 - 8×0 = 5，超过阈值 4，输出 1，去；把天气权重降到 3 就得到 3，小于 4，变成不去——权重决定决策。
参考答案（家长）：反向传播从输出端把错误逐层分摊给各参数，算出梯度；梯度下降拿梯度去更新参数。前者算账，后者行动。
参考答案（家长）：2×3 + 3×1 = 9 条权重；隐藏层在自动学习中间特征，把原始输入组合成更有用的表示。
参考答案（家长）：精确率 = 15/30 = 50%（拦下的里面一半是垃圾）；召回率 = 15/20 = 75%（真垃圾找回了四分之三）；场景如疾病筛查、安检。
参考答案（家长）：Softmax 把各类别分数变成总和为 1 的概率且保持大小顺序（同分时各 1/3）；交叉熵按给正确答案的信心打分，信心越低罚越重。
参考答案（家长）：深在层数多、逐层抽象特征；三股东风是大数据、GPU 算力、算法进步；证据如海量照片/视频、游戏显卡被用来训练、ReLU 等技巧普及。