中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

本文致力于讓完全沒有學(xué)習(xí)過AI的朋友可以輕松讀懂，enjoy~

先說一下，你閱讀本文可以得到什么。你能得到AI的理論知識(shí)框架；你能學(xué)習(xí)到如何成為一個(gè)AI產(chǎn)品經(jīng)理并且了解到AI產(chǎn)品經(jīng)理如何在工作中發(fā)揮作用，以及AI產(chǎn)品經(jīng)理需要從哪些方面鍛煉能力。最重要的是，通過本文，一切都特別快（手打滑稽）。

PS：目前只針對(duì)弱人工智能（我喜歡簡(jiǎn)稱，此處我們簡(jiǎn)稱為“弱智”）進(jìn)行學(xué)習(xí)。

首先我們必須要掌握的是AI的專業(yè)知識(shí)框架，然后了解AI的市場(chǎng)情況，最后要明白AI產(chǎn)品經(jīng)理的工作流程及在項(xiàng)目的價(jià)值體現(xiàn)。本文致力于讓完全沒有學(xué)習(xí)過AI的朋友可以輕松讀懂，獲取干貨。即使你不能完整理解AI也沒關(guān)系，最起碼看完本文之后你可以完美裝13，文末會(huì)有特別的裝13技巧送給你。

一、AI是什么

1. AI的定義

凡是通過機(jī)器學(xué)習(xí)，實(shí)現(xiàn)機(jī)器替代人力的技術(shù)，就是AI。機(jī)器學(xué)習(xí)是什么呢？機(jī)器學(xué)習(xí)是由AI科學(xué)家研發(fā)的算法模型，通過數(shù)據(jù)灌輸，學(xué)習(xí)數(shù)據(jù)中的規(guī)律并總結(jié)，即模型內(nèi)自動(dòng)生成能表達(dá)（輸入、輸出）數(shù)據(jù)之間映射關(guān)系的特定算法。這整個(gè)過程就是機(jī)器學(xué)習(xí)。

AI模型是個(gè)“中間件”，不能直接與用戶完成交互，所以AI還是需要借助傳統(tǒng)的應(yīng)用程序，應(yīng)用程序直接與用戶進(jìn)行交互，同時(shí)提交輸入數(shù)據(jù)給模型，模型處理后返回輸出數(shù)據(jù)給應(yīng)用程序，應(yīng)用程序再轉(zhuǎn)化為合適的呈現(xiàn)方式反饋給用戶。

AI解決方案比互聯(lián)網(wǎng)解決方案有什么優(yōu)勢(shì)：再也不需要去歸納總結(jié)知識(shí)和規(guī)律，然后進(jìn)行越來越復(fù)雜的編程，只需要用數(shù)據(jù)喂養(yǎng)機(jī)器，讓機(jī)器完成所有工作。而且傳統(tǒng)的互聯(lián)網(wǎng)解決方案遇到需要求變時(shí)，是個(gè)頭痛的事，因?yàn)橹苯幼尮こ處煂?duì)程序、算法進(jìn)行修改的過程中會(huì)需要考慮很多既有程序帶來的限制及改動(dòng)后的未知風(fēng)險(xiǎn)（同時(shí)也容易造成人力成本更高），而AI模型是可以遷移、疊加利用的，所以需求變化時(shí)，少了很多既有積累的東西帶來的問題。

2. AI的根基

AI的根基從數(shù)學(xué)理論開始，數(shù)學(xué)理論（包括：線性代數(shù)、概率論、統(tǒng)計(jì)學(xué)、微積分）的基礎(chǔ)上我們得以有機(jī)器學(xué)習(xí)理論，機(jī)器學(xué)習(xí)理論（包括：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)、深度學(xué)習(xí)）的基礎(chǔ)上我們得以有基礎(chǔ)技術(shù)，基礎(chǔ)技術(shù)（包括：機(jī)器學(xué)習(xí)ML、深度學(xué)習(xí)DL、語音識(shí)別ASR、語音合成TTS、計(jì)算機(jī)視覺CV、機(jī)器視覺MV、自然語言理解NLU、自然語言處理NLP、專家系統(tǒng)）的基礎(chǔ)上AI應(yīng)用得以實(shí)現(xiàn)。

特別提醒：不僅是數(shù)學(xué)理論，物理理論也是AI的根基。在更深度的AI建模等理論需求中，很多所謂的“數(shù)學(xué)理論”其實(shí)原型來自于“物理理論”。比如熵的概念，比如多維空間的概念，都是出于物理學(xué)中的概念。

3. 機(jī)器學(xué)習(xí)理論詳解及算法模型介紹

關(guān)于模型算法的結(jié)果導(dǎo)向理解：

• 對(duì)數(shù)據(jù)進(jìn)行分類；
• 找到輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的規(guī)律。

機(jī)器學(xué)習(xí)方式有多種，每種機(jī)器學(xué)習(xí)方式又有多種算法。機(jī)器學(xué)習(xí)方式可以配合利用，且各種算法模型也可以結(jié)合利用。

機(jī)器學(xué)習(xí)的抽象流程是：

• 訓(xùn)練機(jī)器階段，讓模型對(duì)輸入數(shù)據(jù)進(jìn)行分類，且找到規(guī)律；
• 測(cè)試階段，數(shù)據(jù)進(jìn)入模型時(shí)，模型對(duì)數(shù)據(jù)進(jìn)行分類，每一個(gè)測(cè)試數(shù)據(jù)都?xì)w類到訓(xùn)練數(shù)據(jù)類別中對(duì)應(yīng)的一個(gè)類別，然后根據(jù)訓(xùn)練找到的規(guī)律計(jì)算出輸出值（即答案）；
• 欠擬合或者過擬合的情況下，要清洗訓(xùn)練數(shù)據(jù)、調(diào)整參數(shù)以及重復(fù)訓(xùn)練；達(dá)到最佳擬合后，機(jī)器學(xué)習(xí)完成。

3.1 監(jiān)督學(xué)習(xí)

通俗解釋：準(zhǔn)備好許多組問題和對(duì)應(yīng)答案，然后對(duì)機(jī)器說：當(dāng)你看到這個(gè)問題的時(shí)候，你就告訴人家這個(gè)答案。多次重復(fù)這樣的訓(xùn)練，然后機(jī)器從每一次的訓(xùn)練問題和對(duì)應(yīng)答案中找到了其中的規(guī)律（即算法）。然后你跟你朋友吹噓說，我的機(jī)器機(jī)靈得跟猴似的，不信你問它問題。你這位朋友開始提一大堆問題，提的問題大可以跟你訓(xùn)練的問題不同，機(jī)器人只是根據(jù)自己之前總結(jié)的規(guī)律推測(cè)出答案給對(duì)方。如果發(fā)現(xiàn)機(jī)器人說出的答案中錯(cuò)誤太多，那你就要修理修理它，再重新用更豐富的有標(biāo)記答案的問題訓(xùn)練一番，直到你的機(jī)器被人提問時(shí)回答準(zhǔn)確率特別高，達(dá)到你的期望了。這時(shí)候你就可以放心的跟你朋友炫耀：我的機(jī)器機(jī)靈得跟猴似的。

專業(yè)解釋：準(zhǔn)備樣本（樣本通常準(zhǔn)備兩組：訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)），先將訓(xùn)練數(shù)據(jù)（即標(biāo)記樣本）給到機(jī)器，同時(shí)提供標(biāo)準(zhǔn)答案（有答案的樣本數(shù)據(jù)屬于“標(biāo)記樣本”），機(jī)器盡量從訓(xùn)練數(shù)據(jù)中找到因變量和自變量之間的關(guān)系，讓自己推測(cè)的答案盡量跟標(biāo)準(zhǔn)答案靠近。訓(xùn)練過程中機(jī)器嘗試生成我們需要的算法，這個(gè)算法就是我們要機(jī)器學(xué)習(xí)出來的結(jié)果。然后我們給機(jī)器測(cè)試樣本（測(cè)試數(shù)據(jù)），不提供標(biāo)準(zhǔn)答案，看機(jī)器推理出答案的準(zhǔn)確率怎么樣，如果準(zhǔn)確率太低（欠擬合），那我們就要調(diào)整模型的參數(shù)，并且再訓(xùn)練機(jī)器，接著又用測(cè)試數(shù)據(jù)測(cè)試，直到機(jī)器達(dá)到了我們期望的準(zhǔn)確率。

抽象一個(gè)最簡(jiǎn)單的邏輯公式：線性代數(shù)y=kx。我們提供n組x值及對(duì)應(yīng)y值作為訓(xùn)練數(shù)據(jù)，模型經(jīng)過計(jì)算推測(cè)出k值（推測(cè)出k值這個(gè)過程我們叫做“回歸”），然后我們?cè)儆胢組測(cè)試數(shù)據(jù)，但是此時(shí)只輸入x值，看機(jī)器得出的y值是否跟我們已知的正確答案y值是否相同。當(dāng)有多個(gè)緯度的特征時(shí)，應(yīng)該抽象公式應(yīng)該是y=kx1+kx2+kx3，或者y=k1x1+k2x2+k3x3。當(dāng)然還有可能要考慮其他一些參數(shù)，此時(shí)公式應(yīng)該為y=kx1+kx2+kx3+b,或y=k1x1+k2x2+k3x3+b。參數(shù)b是我們的AI工程師可以直接調(diào)整的，以便讓機(jī)器訓(xùn)練的結(jié)果最接近我們想要的結(jié)果。

監(jiān)督學(xué)習(xí)的算法分類：

（1）KNN臨近算法

在訓(xùn)練階段時(shí)，機(jī)器將訓(xùn)練數(shù)據(jù)進(jìn)行分類（根據(jù)數(shù)據(jù)的feature，即數(shù)據(jù)的特征）。（邏輯推理出，在某些情況下模型可以找出來的數(shù)據(jù)之間的映射不止一條，即可能每一類數(shù)據(jù)會(huì)有一個(gè)映射關(guān)系。）當(dāng)測(cè)試數(shù)據(jù)輸入時(shí)，機(jī)器會(huì)根據(jù)輸入數(shù)據(jù)的特征判斷該輸入數(shù)據(jù)跟哪一類的訓(xùn)練數(shù)據(jù)為同一類，在此判斷基礎(chǔ)上，機(jī)器便決定用哪一個(gè)映射關(guān)系來推測(cè)當(dāng)下輸入測(cè)試數(shù)據(jù)對(duì)應(yīng)的輸出數(shù)據(jù)（即答案）。機(jī)器是如何判斷測(cè)試時(shí)的輸入數(shù)據(jù)更接近哪一類訓(xùn)練數(shù)據(jù)的呢？用數(shù)學(xué)邏輯解釋就是，模型內(nèi)是一個(gè)多維空間，有一個(gè)多維坐標(biāo)，每一緯是一個(gè)特征，當(dāng)一個(gè)訓(xùn)練數(shù)據(jù)輸入時(shí)，該數(shù)據(jù)坐落在坐標(biāo)上某一點(diǎn)，訓(xùn)練數(shù)據(jù)量大了之后，模型里的坐標(biāo)上有無數(shù)點(diǎn)。當(dāng)測(cè)試數(shù)據(jù)輸入后，根據(jù)測(cè)試數(shù)據(jù)的特征在坐標(biāo)上為它找到一個(gè)點(diǎn)，機(jī)器會(huì)找與該點(diǎn)歐式距離最近的點(diǎn)（訓(xùn)練數(shù)據(jù)的點(diǎn)）是哪一個(gè)，并且將該點(diǎn)視為與找到的距離最近的訓(xùn)練數(shù)據(jù)的點(diǎn)為同一類。

舉個(gè)栗子：Mary喜歡玩探探，在她眼里，探探里的男銀分3類。第一類是不喜歡，左劃；第二類是喜歡，右劃；第三類是超級(jí)喜歡，點(diǎn)星星。第一類男銀的共同點(diǎn)是單眼皮、低鼻梁、禿頂、穿安踏；第二類的共同點(diǎn)是雙眼皮、高鼻梁、茂密的頭發(fā)，穿西裝；第三類的共同點(diǎn)是帶名牌手表，照片旁邊有一輛跑車。AI了解Mary后，開始為Mary把關(guān)。當(dāng)AI看到一個(gè)男銀上探探，就會(huì)看這個(gè)男銀是否單眼皮，鼻梁接近于高還是低，頭發(fā)多少，著裝幼稚還是成熟，然后將這個(gè)男銀為第一類或者第二類，第一類的直接幫Mary劃掉，第二類的直接幫Mary點(diǎn)喜歡。還有，當(dāng)AI看到一個(gè)男銀帶名牌表，有豪車，直接幫Mary點(diǎn)一個(gè)超級(jí)喜歡。然后Mary不用那么累地全部都要點(diǎn)一遍，AI幫她選的人她都挺滿意，她一臉的滿足。

（2）決策樹ID3算法

基于“決策樹”的理論的一種算法。根據(jù)數(shù)據(jù)特征進(jìn)行分支，直到不可再分支，此時(shí)決策樹成形，數(shù)據(jù)也被分出一類來，成形的一個(gè)決策樹表現(xiàn)了這一類數(shù)據(jù)的所有特征。

示意圖（Jennifer去相親）：

該決策樹形成后（一條分枝將特征消化完之后），我們視滿足該條分枝上所有特征的為同一類人（即我們分出了一類數(shù)據(jù)）。憑經(jīng)驗(yàn)推測(cè)，這類人就是Jennifer最后選擇的結(jié)婚對(duì)象。（如果你不知道我指的是哪一條，那你這輩子一定都找不到老婆）

決策樹ID3算法與KNN算法的區(qū)別在于：KNN算法需要始終保存并持續(xù)使用所有訓(xùn)練數(shù)據(jù)，決策樹ID3算法完成決策樹之后，可以不再保存所有的訓(xùn)練數(shù)據(jù)了（可以清清內(nèi)存），只需要將決策樹模型保留下來，便可以對(duì)新數(shù)據(jù)進(jìn)行高準(zhǔn)確率地分類。

（3）logistic邏輯回歸算法

當(dāng)特征和結(jié)果不滿足線性時(shí)（函數(shù)大于一次方時(shí)），就可以用邏輯回歸算法。邏輯回歸是一個(gè)非線性模型，它的因變量（x)跟線性回歸函數(shù)不相同。邏輯回歸同樣用來解決分類問題，呈二項(xiàng)分布（示意圖1），它只輸出兩種結(jié)果，0或1（實(shí)際情況是輸出為0～0.5，或0.5～1，小于0.5取值0，大于等于0.5取值1），0和1分別代表兩個(gè)類別。作為產(chǎn)品經(jīng)理，我們不需要去理解模型內(nèi)部是怎么回事（反正我目前也沒看懂模型內(nèi)部到底怎么回事），我們只需要了解，當(dāng)特征和結(jié)果，即X與Y之間的關(guān)系不滿足線性關(guān)系（函數(shù)大于一次方），就可以利用邏輯回歸算法，算法得出的值約等于1或約等于0，約等于1時(shí)該輸入數(shù)據(jù)屬于一類，約等于0時(shí)該輸入數(shù)據(jù)屬于另一類?；蛟S以后在實(shí)戰(zhàn)中，你的AI工程師搭檔會(huì)跟你講解，看了這篇文章，你在聽你的AI工程師解釋的時(shí)候不會(huì)茫然吧。

邏輯回歸的基礎(chǔ)公式：

示意圖1:

（4）支持向量機(jī)SVM

主要優(yōu)勢(shì)就是可以判斷到分類是否正確。

先給大家舉一個(gè)例，當(dāng)我們要分割一個(gè)平面，會(huì)用一條線，即分割二維數(shù)據(jù)用一維數(shù)據(jù)；如果我們要分割一個(gè)立體空間，會(huì)用一個(gè)面，即分割三維數(shù)據(jù)用二維數(shù)據(jù)。理解例子后，就可以理解SVM的原理了。

SVM的原理就是用一個(gè)N-1維的“分割超平面”線性分開N維空間，而所有數(shù)據(jù)都在這個(gè)空間內(nèi)各為一點(diǎn)。每一次分割超平面開始切分，都在將空間內(nèi)的數(shù)據(jù)分為兩部分（假設(shè)為A、B兩邊），模型的目的就是讓分出來的兩部分?jǐn)?shù)據(jù)是兩個(gè)類別，我們要理解在A這邊的每個(gè)數(shù)據(jù)點(diǎn)到分割超平面的距離為正值，那么另一邊（B那邊）的數(shù)據(jù)點(diǎn)到分割超平面的距離就一定為負(fù)值（我們把分割超平面看作是臨界面吧，或者看作是“海平面”，兩邊的點(diǎn)朝著臨界面直線出發(fā)時(shí)，方向是相對(duì)的，這樣解釋大家就能明白為什么說一邊為正值另一邊就為負(fù)值了）。

當(dāng)模型計(jì)算所有特征相同的數(shù)據(jù)各自到分割超平面的距離時(shí)，若都為正值（我們默認(rèn)這些特征相同的數(shù)據(jù)所占邊是A邊），那么分割正確，我們就知道空間內(nèi)所有數(shù)據(jù)被準(zhǔn)確無誤地分為兩類了。若發(fā)現(xiàn)有出現(xiàn)負(fù)值的，那一定是有至少一個(gè)數(shù)據(jù)站錯(cuò)邊了，換一種說法是我們這個(gè)分割超平面分割得不對(duì)，分割超平面就會(huì)重新分割，直到分割完全正確。因?yàn)槔碚撋现v，分割超平面是一個(gè)多維空間的任意維度的“面”，它可以在數(shù)據(jù)任何分布的情況下都剛好把不同類（不同特征）的數(shù)據(jù)一分為二，保證它的分割不會(huì)讓任意一個(gè)數(shù)據(jù)“站錯(cuò)邊”。

借用幾張經(jīng)典示意圖幫助理解：

這只是一個(gè)簡(jiǎn)單示意圖，但是我們要發(fā)揮空間想象力，如果不能看起來是一條直線分割兩邊，那就讓看起來是一條曲線的分割超平面分割兩邊，但是這條曲線其實(shí)不是曲線，它是一個(gè)多維面。（這個(gè)多維空間真的燒腦，我記得網(wǎng)上有個(gè)很經(jīng)典的10分鐘理解多維空間的視頻，大家可以去搜一搜）

（5）樸素貝葉斯分類算法

首先說明一點(diǎn)：KNN算法、決策樹ID3算法、logistic回歸算法、SVM都是屬于判別方法，而樸素貝葉斯算法是屬于生成方法。樸素貝葉斯算法的邏輯是：每一個(gè)訓(xùn)練數(shù)據(jù)輸入時(shí)，計(jì)算該數(shù)據(jù)被分到每一個(gè)類別的概率，最后視概率最大的那一個(gè)為該輸入數(shù)據(jù)的類別。跟邏輯回歸一樣，作為產(chǎn)品經(jīng)理，大家只要記住宏觀邏輯就好了（手打調(diào)皮）。

公式：

3.2 無監(jiān)督學(xué)習(xí)

通俗解釋：你準(zhǔn)備一大堆問題丟給你的機(jī)器，每一個(gè)問題都不告訴它答案，叫它自己把問題分類了。它開始識(shí)別所有問題分別都是什么特征，然后開始將這些問題分類，比如A類、B類、C類。分類好了之后，你又對(duì)你朋友炫耀：我的機(jī)器機(jī)靈得跟猴似的，不信你問它問題。然后你朋友問它： “女朋友說自己感冒了應(yīng)該怎么回復(fù)她？”機(jī)器想了想，發(fā)現(xiàn)這個(gè)問題跟自己歸類的A類問題一樣，于是它就隨口用A類問題里的一個(gè)代表性問題作為回答：“女朋友說自己大姨媽來了該怎么回復(fù)，你就怎么回復(fù)?！蹦愕呐笥延X得機(jī)器是理解了他的問題，但是他還是不知道該怎么回復(fù)女朋友啊，失望的走了。這個(gè)時(shí)候你發(fā)現(xiàn)你的機(jī)器回答方式不好呀，于是你告訴機(jī)器，不要用問題回答問題，你順便給了他的A類問題一個(gè)統(tǒng)一答案，就是“多喝熱水”。然后你叫你朋友再問一次機(jī)器，你朋友又來問了一次機(jī)器：“女朋友說自己感冒了我該怎么回復(fù)。”機(jī)器馬上回答：“叫她多喝熱水呀。”你朋友一聽，恍然大悟，開開心心地走了。

專業(yè)解釋：機(jī)器學(xué)習(xí)是否有監(jiān)督，就看訓(xùn)練時(shí)輸入的數(shù)據(jù)是否有標(biāo)簽（標(biāo)簽即標(biāo)注輸入數(shù)據(jù)對(duì)應(yīng)的答案）。無監(jiān)督學(xué)習(xí)即訓(xùn)練時(shí)輸入數(shù)據(jù)無標(biāo)簽，無監(jiān)督學(xué)習(xí)利用聚類算法。無監(jiān)督學(xué)習(xí)不利用“回歸”方式找到規(guī)律。其他的跟監(jiān)督學(xué)習(xí)基本相同。

（1）K-聚類（聚類算法）

K-means聚類是一種矢量量化的方法，給定一組向量，K-means算法將這些數(shù)據(jù)組織成k個(gè)子集，使得每個(gè)向量屬于最近的均值所在的子集。在特征學(xué)習(xí)中，K-means算法可以將一些沒有標(biāo)簽的輸入數(shù)據(jù)進(jìn)行聚類，然后使每個(gè)類別的“質(zhì)心”來生成新的特征。

換種說法就是：K個(gè)子集中每個(gè)子集都計(jì)算出一個(gè)均值，每個(gè)均值在空間里都為一個(gè)“質(zhì)心”，根據(jù)輸入數(shù)據(jù)的特征及特征值為它找到一個(gè)點(diǎn)，這個(gè)點(diǎn)最接近哪個(gè)“質(zhì)心”，我們就視該數(shù)據(jù)屬于哪個(gè)子集，即與該子集所有數(shù)據(jù)為同一類。

（2）主成分分析法

容我偷個(gè)懶，這個(gè)我自己還未真正學(xué)習(xí)懂，所以就不寫了，后面出現(xiàn)未具體解釋的東西都是我還未學(xué)習(xí)明白的內(nèi)容。爭(zhēng)取只寫我真正自己學(xué)懂的東西，怕未完全明白的基礎(chǔ)上寫的東西容易出現(xiàn)誤導(dǎo)。但是我會(huì)在接下來的學(xué)習(xí)中把余下的AI知識(shí)都學(xué)好，并盡量再發(fā)文跟大家分享。

3.3 半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)其實(shí)就是監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的方法合并利用，訓(xùn)練數(shù)據(jù)有一部分是有標(biāo)簽的，有一部分是無標(biāo)簽的，通常無標(biāo)簽的數(shù)據(jù)量比有標(biāo)簽的數(shù)據(jù)量大很多。

半監(jiān)督學(xué)習(xí)的好處是：

• 降低打標(biāo)簽的人工成本的情況下讓模型可以得到很好的優(yōu)化；
• 大量的沒辦法打標(biāo)簽的數(shù)據(jù)得以被利用起來，保證訓(xùn)練數(shù)據(jù)的量，從而讓訓(xùn)練結(jié)果更佳。

狹義上【半監(jiān)督學(xué)習(xí)】要分為transductive SVM、inductive SVM、Co-training、label propagation；我們可以嘗試用另外一種方法分類【半監(jiān)督學(xué)習(xí)】，即“分類半監(jiān)督”、“聚類半監(jiān)督”。

• 分類半監(jiān)督--舉例說明就是先用標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，然后加入無標(biāo)簽數(shù)據(jù)訓(xùn)練，無標(biāo)簽數(shù)據(jù)輸入時(shí)，會(huì)根據(jù)數(shù)據(jù)特征及特征值，看該數(shù)據(jù)與有標(biāo)簽數(shù)據(jù)分類中哪一類更接近（支持向量機(jī)SVM的方法就可以幫助找到最接近哪一類），就視為該類數(shù)據(jù)；或者是，看該數(shù)據(jù)與有標(biāo)簽數(shù)據(jù)哪一個(gè)最接近（KNN的方法就可以找到最接近的那個(gè)數(shù)據(jù)），則把該無標(biāo)簽數(shù)據(jù)替換為該標(biāo)簽數(shù)據(jù)。
• 聚類半監(jiān)督–通常是在有標(biāo)簽數(shù)據(jù)的“標(biāo)簽不確定”的情況下利用（比如這個(gè)輸入數(shù)據(jù)的答案可能是xxx），“聚類半監(jiān)督”就是重點(diǎn)先完成數(shù)據(jù)的分類，然后嘗試根據(jù)標(biāo)簽數(shù)據(jù)訓(xùn)練提供的標(biāo)簽預(yù)測(cè)結(jié)果。
• S3VM算法
• S4VM算法
• CS4VM算法
• TSVM算法

3.4 強(qiáng)化學(xué)習(xí)

通俗解釋：你準(zhǔn)備一大堆問題，每個(gè)問題有多個(gè)答案選項(xiàng)，其中只有一個(gè)選項(xiàng)是正確答案。手里拿著皮鞭，讓你的機(jī)器一個(gè)個(gè)問題的從選項(xiàng)里挑答案回答，回答正確了，你就溫柔的默默它的頭，回答錯(cuò)誤了，你就抽它丫的。所有問題都回答完了之后，再重復(fù)一次所有問題。然后你就發(fā)現(xiàn)，你的機(jī)器每一次重復(fù)，正確率都提高一些，直到最后正確率達(dá)到你的期望值了，這時(shí)候機(jī)器基本也從撫摸和抽打中找到了每一個(gè)問題的正確答案。機(jī)器通過一次次去猜測(cè)問題和答案之間的規(guī)律（即算法），一次次更新規(guī)律，最后也找到了最準(zhǔn)確那條規(guī)律（最佳算法），這時(shí)，它機(jī)靈得跟猴一樣。（當(dāng)然實(shí)際過程里，只需要獎(jiǎng)勵(lì)機(jī)制就夠了，但是你想同時(shí)給懲罰機(jī)制，也可以的。）

專業(yè)解釋：我自己的理解，把強(qiáng)化學(xué)習(xí)理論分一和二，其中一是完全按照馬爾科夫決策過程的理論，需要理解環(huán)境，在每一步動(dòng)作時(shí)都得到一個(gè)反饋并計(jì)算下一步該怎么動(dòng)作更好；二是不需要理解環(huán)境，只需要在執(zhí)行完之后接收環(huán)境反饋的信號(hào)，然后它才明白之前的動(dòng)作好不好，下次會(huì)堅(jiān)持或改變同樣情況下要執(zhí)行的動(dòng)作。

（1）強(qiáng)化學(xué)習(xí)理論一

agent（下文會(huì)講agent是什么，此處可以理解為機(jī)器本身）需要理解環(huán)境、分析環(huán)境，并且要推測(cè)出完成一個(gè)動(dòng)作得到獎(jiǎng)勵(lì)的概率。該理論完全滿足馬爾科夫決策。馬爾可夫的核心：在一個(gè)狀態(tài)下，可以采取一些動(dòng)作，每一個(gè)動(dòng)作都有一個(gè)“轉(zhuǎn)化狀態(tài)”且可以得出對(duì)應(yīng)“轉(zhuǎn)化狀態(tài)”的概率（或該“轉(zhuǎn)化狀態(tài)”能獲取獎(jiǎng)勵(lì)的概率）。而強(qiáng)化學(xué)習(xí)的目標(biāo)就是學(xué)習(xí)怎樣讓每一次行動(dòng)都是為了達(dá)到最有價(jià)值的“轉(zhuǎn)化狀態(tài)”上。

• model based（算法：Qleaning, Sarsa, Policy Gradients）：理解真實(shí)環(huán)境，建立一個(gè)模擬環(huán)境的模型，有想象能力，根據(jù)想象預(yù)判結(jié)果，最后選擇想象中結(jié)果最好的那一種作為參考進(jìn)行下一步。
• policy based（算法：Policy Gradients,? Actor-critic）：通過感官分析環(huán)境，推測(cè)出下一步要進(jìn)行的各種動(dòng)作的概率，取概率最大的作為實(shí)際行動(dòng)的參考。
• value based（算法：Qleaning, Sarsa）：推測(cè)出所有動(dòng)作的價(jià)值，根據(jù)價(jià)值最高的作為實(shí)際動(dòng)作的參考。
• On policy（算法：Sarsa,? Sarsa lambda）：必須親自參與
• Off policy（算法：Qleaning,? Deep-Q-Network）：可親自參與；也可以不親自參與，通過觀看其他人或機(jī)器，對(duì)其他人或機(jī)器進(jìn)行模仿。

（2）強(qiáng)化學(xué)習(xí)理論二

agent不需要理解環(huán)境、分析環(huán)境時(shí)，做出決策，該決策正確時(shí)獎(jiǎng)勵(lì)，錯(cuò)誤時(shí)不獎(jiǎng)勵(lì)或懲罰。agent不會(huì)在動(dòng)作時(shí)去計(jì)算是否得到獎(jiǎng)勵(lì)的概率。

強(qiáng)化學(xué)習(xí)中的4個(gè)要素：agent（一個(gè)智能體，可以為一個(gè)算法模型，或直接理解成機(jī)器本身）、environment（環(huán)境，環(huán)境對(duì)于agent是獨(dú)立的，它可以是一個(gè)硬件設(shè)備、強(qiáng)化學(xué)習(xí)之外的某種機(jī)器學(xué)習(xí)模型等，它的任務(wù)就是當(dāng)action結(jié)束后用它的方式給agent一個(gè)信號(hào)）、action（動(dòng)作）、reward（獎(jiǎng)勵(lì)）。

agent能夠執(zhí)行多種action，但它每次只能選擇一個(gè)action來執(zhí)行，agent任意執(zhí)一個(gè)action來改變當(dāng)前狀態(tài)，一個(gè)action被執(zhí)行后，environment會(huì)通過觀測(cè)得出一個(gè)observation，這個(gè)observation會(huì)被agent接收，同時(shí)會(huì)出現(xiàn)一個(gè)reward也會(huì)被agent接收（這個(gè)reward也來自于environment，environment可以通過推測(cè)或直接判斷action結(jié)束時(shí)達(dá)到的效果是否是AI工程師想要的效果來決定這個(gè)reward是正值還是負(fù)值，當(dāng)然負(fù)值相當(dāng)于是“懲罰”了）。

agent在執(zhí)行action時(shí)并不會(huì)知道結(jié)果會(huì)怎樣，當(dāng)agent接收到environment的observation時(shí)，agent仍然是一無所知的（因?yàn)閍gent不理解environment），但由于environment同時(shí)反饋reward，agent才知道執(zhí)行的action好還是不好。agent會(huì)記住這次reward是正值還是負(fù)值，以后的action都會(huì)參考這次記憶。強(qiáng)化學(xué)習(xí)理論二對(duì)比一的區(qū)別就是：二并非在每一步都計(jì)算一個(gè)概率（所以二并非完全符合馬爾科夫決策）。

• model free(算法：Qleaning, Sarsa, Policy Gradients)：不理解環(huán)境，等待環(huán)境反饋，根據(jù)反饋進(jìn)行下一步。
• Monte-carlo update(算法：Policy Gradients,? Monte-carlo leaning)：等待所有過程結(jié)束，事后總結(jié)所有轉(zhuǎn)折點(diǎn)
• Temporal difference update(算法：Qleaning, Sarsa)：過程中每一步都總結(jié)一下
• On policy(算法：Sarsa,? Sarsa lambda)：必須親自參與
• Off policy(算法：Qleaning,? Deep-Q-Network)：可親自參與；也可以不親自參與，通過觀看其他人或機(jī)器，對(duì)其他人或機(jī)器進(jìn)行模仿。

強(qiáng)化學(xué)習(xí)不糾結(jié)于找出一條規(guī)律／算法，它只關(guān)心結(jié)果輸出時(shí)能否得到獎(jiǎng)勵(lì)。之前提到的機(jī)器學(xué)習(xí)都是解決分類問題，而強(qiáng)化學(xué)習(xí)是解決“決策”問題。

3.5 遷移學(xué)習(xí)

通俗解釋：當(dāng)你的機(jī)器用以上幾種方式中任何一種方式學(xué)習(xí)完之后，你叫你的機(jī)器把學(xué)習(xí)后找到的規(guī)律（算法）寫在它的筆記本上。然后換一種學(xué)習(xí)方式，讓它繼續(xù)學(xué)習(xí)，叫它用第二種方法學(xué)習(xí)的時(shí)候要看筆記本，把新學(xué)到的知識(shí)也寫上去，但是不能跟原筆記沖突，也不能修改原筆記。連續(xù)用多種方法讓你的機(jī)器學(xué)習(xí)，它肯定比猴更機(jī)靈。

專業(yè)解釋：將一個(gè)已經(jīng)開發(fā)過的任務(wù)模型（源域）重復(fù)利用，作為第二個(gè)任務(wù)模型（目標(biāo)域）的起點(diǎn)。深度學(xué)習(xí)中會(huì)經(jīng)常用到遷移學(xué)習(xí)，遷移時(shí)（復(fù)用時(shí)），可以全部使用或部分使用第一個(gè)模型（源任務(wù)模型），當(dāng)然這取決于第一個(gè)模型的建模邏輯是否允許。遷移學(xué)習(xí)是特別好的降低（獲取樣本數(shù)據(jù)、打標(biāo)簽）成本的方法。

（1）樣本遷移法

看看目標(biāo)域的樣本數(shù)據(jù)跟源域中訓(xùn)練數(shù)據(jù)哪部分相似，把目標(biāo)域中這部分樣本數(shù)據(jù)的特征值照著相似的源域中的樣本數(shù)據(jù)的特征值調(diào)整，盡量調(diào)到一樣，然后再把調(diào)過的數(shù)據(jù)權(quán)重值提高。這個(gè)方法是最簡(jiǎn)單的遷移學(xué)習(xí)方法，不過人工去調(diào)，如果經(jīng)驗(yàn)不足，容易造成極大誤差。

（2）特征遷移法

找到源域同目標(biāo)域的數(shù)據(jù)中的共同特征，將這些共同特征的數(shù)據(jù)都放到同一個(gè)坐標(biāo)空間里，形成一個(gè)數(shù)據(jù)分布。這樣就可以得到一個(gè)數(shù)據(jù)量更大且更優(yōu)質(zhì)的模型空間。（之前提到很多模型算法對(duì)輸入數(shù)據(jù)分類時(shí)都要依靠模型里虛擬的空間，這個(gè)空間的質(zhì)量越好，分類效果越好）。

（3）模型遷移法

源域的整個(gè)模型都遷移到目標(biāo)域。最完整的遷移，但是可能會(huì)因?yàn)樵从蚰Ｐ偷奶赜械哪切?duì)目標(biāo)域來說沒有的數(shù)據(jù)、特征、特征值等，在目標(biāo)域中反而會(huì)有干擾效果（類似與“過擬合”）。

（4）關(guān)系遷移法

當(dāng)兩個(gè)域相似時(shí)，可以直接將源域的邏輯網(wǎng)絡(luò)關(guān)系在目標(biāo)域中進(jìn)行應(yīng)用。比如我們將人的大腦神經(jīng)網(wǎng)絡(luò)的邏輯關(guān)系遷移到AI神經(jīng)網(wǎng)絡(luò)中，因?yàn)閺倪壿嬌线@兩者我們覺得是一樣的。

3.6 深度學(xué)習(xí)

深度學(xué)習(xí)可以理解為是多個(gè)簡(jiǎn)單模型組合起來，實(shí)現(xiàn)多層神經(jīng)網(wǎng)絡(luò)，每層神經(jīng)網(wǎng)絡(luò)（也可以叫做神經(jīng)元）處理一次數(shù)據(jù)，然后傳遞到下一層繼續(xù)處理。這種多層的結(jié)構(gòu)比起淺層學(xué)習(xí)的模型優(yōu)勢(shì)在于，可以提取出數(shù)據(jù)特征（無需人工提?。！吧疃取辈]有絕對(duì)的定義，語音識(shí)別的模型中4層神經(jīng)網(wǎng)絡(luò)就算深了，但在圖像識(shí)別的模型中，20層也不算很深。

（1）DNN深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)最基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)。有很多層（每一層為一個(gè)神經(jīng)元）從上往下排列，每一個(gè)層相互連接。有個(gè)缺點(diǎn)就是，正因?yàn)槊恳粚又g連接起來，出現(xiàn)了參數(shù)數(shù)量膨脹問題（因?yàn)槊恳粚由婕暗揭粋€(gè)算法，每一個(gè)算法都有自己的各種參數(shù)），這樣的情況下容易過擬合（實(shí)現(xiàn)了局部最佳但整體擬合不佳）。

（2）CNN卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)有“卷積核”，這個(gè)“卷積核”可以作為介質(zhì)連接神經(jīng)元，用“卷積核”連接神經(jīng)元時(shí)就不需要每一層都連接了。

（3）RNN循環(huán)神經(jīng)網(wǎng)絡(luò)

因?yàn)镈NN還有一個(gè)缺點(diǎn)，無法對(duì)時(shí)間序列上發(fā)生的變化進(jìn)行建模，如果在語音識(shí)別、自然語言處理等應(yīng)用中使用AI模型時(shí)，數(shù)據(jù)的時(shí)間順序影響很大。所以RNN就出現(xiàn)了，RNN能彌補(bǔ)DNN的缺點(diǎn)，可以在時(shí)間序列上發(fā)生的變化進(jìn)行建模。

4. 重要的關(guān)鍵詞解釋

4.1 擬合

擬合是用來形容訓(xùn)練結(jié)束后效果好壞的。

（1）欠擬合

當(dāng)訓(xùn)練數(shù)據(jù)少、數(shù)據(jù)質(zhì)量差的時(shí)候，訓(xùn)練出來的模型質(zhì)量就差（或者說損失函數(shù)過大），這時(shí)進(jìn)行測(cè)試的時(shí)候，就會(huì)出現(xiàn)誤差大，即“欠擬合”狀況。

（2）過擬合

在訓(xùn)練階段，反復(fù)用同樣的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，可以讓訓(xùn)練效果變得更好（損失函數(shù)小），但同時(shí)機(jī)器會(huì)因?yàn)橐_(dá)到最好的訓(xùn)練效果，將訓(xùn)練數(shù)據(jù)中不重要的特征或只有訓(xùn)練數(shù)據(jù)才有的某些特征進(jìn)行利用得太重或開始學(xué)習(xí)不需要的細(xì)節(jié)，也就是說機(jī)器對(duì)訓(xùn)練數(shù)據(jù)太過依賴，最后就會(huì)出現(xiàn)在訓(xùn)練數(shù)據(jù)上表現(xiàn)特別好，但在其他數(shù)據(jù)上表現(xiàn)不佳。這樣的情況叫做“過擬合“。

（3）最佳擬合

欠擬合、過擬合都不是我們需要的。我們要的是最佳擬合。所以我們?cè)谟?xùn)練機(jī)器時(shí)要注意平衡。最佳點(diǎn)在哪里呢？最佳點(diǎn)在訓(xùn)練的損失函數(shù)還在減小，而測(cè)試的損失函數(shù)在減小之后突然開始增大的該點(diǎn)上。此時(shí)我們就達(dá)到了“最佳擬合”。

4.2 泛化性

訓(xùn)練好的模型在其他數(shù)據(jù)上的表現(xiàn)好壞用泛化性形容。在其他數(shù)據(jù)上表現(xiàn)越好，泛化性越高。

4.3 損失函數(shù)

用于評(píng)估“不準(zhǔn)確”的程度，它是衡量模型估算值和真實(shí)值差距的標(biāo)準(zhǔn)。損失函數(shù)（loss）越小，則模型的估算值和真實(shí)值的差距越小，通常情況下我們要把loss降到最低。

4.4 香農(nóng)熵

形容信息量大小。機(jī)器學(xué)習(xí)中重要是用于衡量特征的數(shù)量多少。一個(gè)數(shù)據(jù)的特征越多，說明我們可以從這個(gè)數(shù)據(jù)中獲得的信息越多，也就可以說香農(nóng)熵高。順便提一下，決策樹的生成過程，就是降低香農(nóng)熵的過程。

4.5 標(biāo)簽

指給數(shù)據(jù)標(biāo)記的答案。標(biāo)記好答案的數(shù)據(jù)叫做“標(biāo)簽數(shù)據(jù)”。

4.6 特征值

特征（feature）的值。比如房子有特征（feature）：空間、價(jià)格。它的特征值：（空間）200平方米、（價(jià)格）1500萬。一般在機(jī)器學(xué)習(xí)的監(jiān)督學(xué)習(xí)中，我們需要對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行特征提取的處理，即標(biāo)記好每個(gè)數(shù)據(jù)有哪些特征和對(duì)應(yīng)特征值。

當(dāng)特征值損失的情況：

在實(shí)際的機(jī)器學(xué)習(xí)過程中，有時(shí)候會(huì)發(fā)生數(shù)據(jù)缺失的問題，比如一個(gè)數(shù)據(jù)有X個(gè)特征，但是由于意外發(fā)生，我們只得到部分（小于X）特征的值，在這種情況下，為了不浪費(fèi)整個(gè)樣本資源，且可以順利的繼續(xù)機(jī)器學(xué)習(xí)，我們需要有一些彌補(bǔ)措施：

1. 認(rèn)為設(shè)置某些特征的特征值（根據(jù)經(jīng)驗(yàn)），然后利用；
2. 找到相似的另一組樣本，用另一組樣本的特征平均值代替缺失的特征值；
3. 用其他的機(jī)器學(xué)習(xí)模型專門針對(duì)缺失的特征值進(jìn)行學(xué)習(xí)然后利用該模型找出缺失特征值；
4. 使用已有特征值的均值來替代未知特征值；
5. 在機(jī)器學(xué)習(xí)過程中用一些方法，讓機(jī)器忽略已缺失特征值的數(shù)據(jù)。

4.7 類別

物以類聚人以群分，特征相同的數(shù)據(jù)就是同一類別。機(jī)器學(xué)習(xí)中特別重要的一個(gè)步驟就是利用算法將數(shù)據(jù)分類（學(xué)習(xí)算法里邊會(huì)提到多種實(shí)現(xiàn)數(shù)據(jù)分類的算法），機(jī)器會(huì)盡量將所有輸入數(shù)據(jù)進(jìn)行分類，分類的邏輯就是通過數(shù)據(jù)的“特征”，特征接近的數(shù)據(jù)會(huì)被機(jī)器認(rèn)為是同一類別的數(shù)據(jù)。

4.8 分類&聚類

分類是目前最簡(jiǎn)單也是效果最好的一類算法（比如KNN、決策樹ID3、logistic回歸、SVM等都屬于分類算法）。分類算法的前提條件是訓(xùn)練數(shù)據(jù)必須帶有標(biāo)簽。

聚類是目前相對(duì)分類更復(fù)雜同時(shí)效果更差的一類算法（無監(jiān)督學(xué)習(xí)就是用聚類算法）。聚類算法的優(yōu)勢(shì)是可以訓(xùn)練數(shù)據(jù)不需要標(biāo)簽。表面上看來分類算法比聚類算法好用很多，那我們還要用聚類算法的理由是什么呢？其實(shí)，在實(shí)際情況下，訓(xùn)練機(jī)器時(shí)，要給數(shù)據(jù)打標(biāo)簽是個(gè)人工消耗極大的工作，不僅工作量大，很多時(shí)候?qū)?shù)據(jù)打準(zhǔn)確的標(biāo)簽難度也大。

4.9 決策樹

根據(jù)數(shù)據(jù)的特征值對(duì)數(shù)據(jù)進(jìn)行不斷分支，直到不可再分支（附 決策樹形象圖）。決策樹的每一次對(duì)數(shù)據(jù)分支，就消耗一個(gè)特征值。當(dāng)所有特征值消耗完后，決策樹成形。決策樹的每一個(gè)節(jié)點(diǎn)，即每一次對(duì)特征分支時(shí)，通常以yes/no的判斷形式進(jìn)行劃分（所以才叫“決策樹”嘛）。

決策樹幫助機(jī)器對(duì)數(shù)據(jù)進(jìn)行分類（根據(jù)特征，決策樹的分裂點(diǎn)即特征分別點(diǎn)），決策樹形成后，滿足一條分枝上所有分裂點(diǎn)條件的為同一類數(shù)據(jù)。要注意的是，有時(shí)候決策樹分枝太長(zhǎng)，會(huì)導(dǎo)致過擬合。因?yàn)闆Q策樹很可能把訓(xùn)練數(shù)據(jù)中不太有代表性的特征放在分裂點(diǎn)上，這樣形成的決策樹不適應(yīng)與訓(xùn)練數(shù)據(jù)之外的數(shù)據(jù)了。如果出現(xiàn)這種情況，需要“剪枝”，枝越長(zhǎng)，說明模型可能越依賴訓(xùn)練數(shù)據(jù)，在枝的長(zhǎng)短上，要做一個(gè)平衡，平衡的原則請(qǐng)參考本文提到的“欠擬合”與“過擬合”的關(guān)鍵詞解釋。

我們用最簡(jiǎn)單的決策樹二叉樹抽象示意圖來表達(dá)我們招聘產(chǎn)品經(jīng)理時(shí)的一個(gè)面試判斷過程：

有時(shí)候分裂點(diǎn)上有數(shù)值判斷，這些數(shù)值都叫做“閾值”。在決策樹中，對(duì)閾值的使用越合理，訓(xùn)練形成的決策樹效果越好，用在數(shù)據(jù)上越精確。請(qǐng)查看簡(jiǎn)化決策樹示意圖2:

4.10 知識(shí)圖譜

知識(shí)圖譜是模擬物理世界的實(shí)物與實(shí)物之間的關(guān)系，知識(shí)圖譜呈現(xiàn)為無限擴(kuò)散的類網(wǎng)狀結(jié)構(gòu)。它的結(jié)構(gòu)組成為“實(shí)體”–“關(guān)系”–“實(shí)體”，以及“實(shí)體”–“屬性”–“值”。知識(shí)圖譜使得AI找到一個(gè)信息時(shí)，同時(shí)也獲得了更多跟跟這個(gè)信息相關(guān)的其他信息。希望大家可以具體去看知識(shí)圖譜相關(guān)書籍，該知識(shí)還是相對(duì)容易看明白的。

知識(shí)圖譜簡(jiǎn)化示意圖：

其中“老狼–女朋友–斯嘉麗約翰遜”，就是實(shí)體–關(guān)系–實(shí)體，“老狼–生日–3月29”和“斯嘉麗約翰遜–罩杯–D”就是實(shí)體–屬性–值。舉一個(gè)利用知識(shí)圖譜的常見栗子：當(dāng)有人問AI：“老狼有女朋友嗎？”AI有自然語言處理的支撐，就可以識(shí)別到這個(gè)人在向它提問，且在詢問老狼的女朋友這件事。同時(shí)有知識(shí)圖譜的支撐，AI就可以準(zhǔn)確回答：“老狼有個(gè)叫斯嘉麗約翰遜的女朋友，是個(gè)D罩杯的美女呢?！?/p>

5. 基礎(chǔ)技術(shù)

5.1 語音識(shí)別（ASR）

一句話定義就是：將人類聲音轉(zhuǎn)化成文字的過程。

按識(shí)別范圍分類為“封閉域識(shí)別”和“開放域識(shí)別”。

• 封閉域識(shí)別：在預(yù)先指定的字／詞集合內(nèi)進(jìn)行識(shí)別。如此可將聲學(xué)模型和語音模型進(jìn)行剪裁，識(shí)別引擎的計(jì)算量也變低?？梢詫⒁娣庋b于嵌入式芯片或本地化SDK，脫離云端，且不會(huì)影響識(shí)別率；
• 開放域識(shí)別：在整個(gè)語言大集合中識(shí)別。引擎計(jì)算量大，直接封裝到嵌入式芯片或本地SDK中，耗能高且識(shí)別效果差，所以一般都只以云端形式提供。（更詳細(xì)的介紹可看文末分享的腦圖）

5.2 計(jì)算機(jī)視覺（CV）

一句話定義：計(jì)算機(jī)對(duì)生物視覺的模擬。通過采集圖片、視頻進(jìn)行處理，以獲取相應(yīng)場(chǎng)景的三維信息。

計(jì)算機(jī)視覺的三步驟為成像、早期視覺、識(shí)別理解。其中成像原理跟相機(jī)原理相同,成像質(zhì)量受光照影響、模糊、噪聲、分辨率的影響，我們需要去找到好的方法來解決光照、模糊等問題。早期視覺又有圖像分割（將特定影像分割成“區(qū)域內(nèi)部屬性一致”而“區(qū)域間不一致”的技術(shù)）、邊緣求取（找到圖像中的亮度變化劇烈的像素點(diǎn)構(gòu)成的集合，即找出輪廓）、運(yùn)動(dòng)及深度估計(jì)三種方法。識(shí)別理解是最后一步，即把一張圖片對(duì)應(yīng)到一個(gè)文字或標(biāo)簽（根據(jù)機(jī)器找到的映射關(guān)系得出輸出）。

計(jì)算機(jī)視覺的三種應(yīng)用介紹：人臉識(shí)別、多目標(biāo)跟蹤、光學(xué)符號(hào)識(shí)別。

• 人臉識(shí)別的技術(shù)流程：人臉采集–人臉檢測(cè)–圖像預(yù)處理–特征提取–人臉匹配與識(shí)別。在實(shí)際流程當(dāng)中，每一個(gè)環(huán)節(jié)都有對(duì)應(yīng)的注意事項(xiàng)，詳情請(qǐng)看老狼在文末準(zhǔn)備的腦圖。
• 多目標(biāo)追蹤的技術(shù)流程：圖像采集–圖像預(yù)處理–基于深度學(xué)習(xí)的多目標(biāo)檢測(cè)識(shí)別–多目標(biāo)跟蹤–輸出結(jié)果。在實(shí)際流程當(dāng)中，每一個(gè)環(huán)節(jié)都有對(duì)應(yīng)的注意事項(xiàng)，詳情請(qǐng)看老狼在文末準(zhǔn)備的腦圖。
• 光學(xué)符號(hào)識(shí)別的技術(shù)流程：圖像采集–圖像預(yù)處理–特征提取–文字定位–光學(xué)識(shí)別。在實(shí)際流程當(dāng)中，每一個(gè)環(huán)節(jié)都有對(duì)應(yīng)的注意事項(xiàng)，詳情請(qǐng)看老狼在文末準(zhǔn)備的腦圖。

5.3 自然語言處理（NLP）

一句話定義：自然語言處理（NLP）是指機(jī)器理解并解釋人類寫作、說話方式的能力。

NLP又包含NLU（自然語言理解）、NLG（自然語言生成）。自然語言處理中最重要的3個(gè)環(huán)節(jié)是分詞、鎖定關(guān)鍵詞、文本相似度計(jì)算。因?yàn)槟壳皺C(jī)器的語言識(shí)別其實(shí)都是基于對(duì)詞的識(shí)別，任何句子進(jìn)行自然語言處理時(shí)第一步都是要分詞，比如：“我是產(chǎn)品經(jīng)理”，分詞后變成“我-是-產(chǎn)品-經(jīng)理”。分詞之后，要找到“關(guān)鍵詞”，“關(guān)鍵詞”是提供重要信息、最多信息的詞，比如在“我是產(chǎn)品經(jīng)理”句子被分詞后，機(jī)器會(huì)選擇“產(chǎn)品”、“經(jīng)理”為該句子“關(guān)鍵詞”。文本相似度有歐氏距離、曼哈頓距離等算法，詳情看老狼的腦圖。

6. 技術(shù)分層

從技術(shù)實(shí)現(xiàn)的效果的角度將AI技術(shù)進(jìn)行分層：

• 認(rèn)知，通過收集、解析信息對(duì)世界和環(huán)境進(jìn)行認(rèn)知。包括圖片處理技術(shù)、語音識(shí)別、自然語言識(shí)別技術(shù)。
• 預(yù)測(cè)行為和結(jié)果。比如在用戶行為研究的基礎(chǔ)上根據(jù)對(duì)用戶當(dāng)前行為的識(shí)別，預(yù)測(cè)用戶下一步想做什么，然后主動(dòng)滿足用戶。
• 確定實(shí)現(xiàn)的方式和路徑。比如AI代替醫(yī)生給病人看病，得出病癥和治病方案。

7. AI的常用語言及框架

市場(chǎng)上有的AI框架包括TensorFlow、Caffe、Torch、Theano等等，目前大部分工程師利用的是Tensorflow。AI編程可以利用多種計(jì)算機(jī)語言，目前最常用的是C++和python。

想要實(shí)操練習(xí)的小伙伴，到Google官方網(wǎng)站，按照官方的教程安裝TensorFlow，安裝好之后，你就可以用它提供的多個(gè)API來訓(xùn)練機(jī)器學(xué)習(xí)模型了。

8. AI的價(jià)值

互聯(lián)網(wǎng)的價(jià)值在于降低成本、提高效率；而AI 可以替代人力，讓成本直接為0，其蘊(yùn)含的市場(chǎng)價(jià)值比互聯(lián)網(wǎng)技術(shù)的市場(chǎng)價(jià)值更高。

二、AI的邊界

要理解AI的邊界，就必須從AI三要素切入。三要素分別為算法、計(jì)算力、數(shù)據(jù)。我們通過對(duì)已有模型算法的理解，計(jì)算力的認(rèn)知以及對(duì)可獲取數(shù)據(jù)的判斷，就可以推測(cè)出我們落地時(shí)可實(shí)現(xiàn)哪些，以及可實(shí)現(xiàn)到什么程度。

有一個(gè)宏觀判斷邊界的快捷法，叫做“1秒法則”：當(dāng)前的AI可以實(shí)現(xiàn)到處理人1秒內(nèi)可以想到答案的問題。而且這個(gè)問題還得滿足以下特點(diǎn)：大規(guī)模、重復(fù)性、限定領(lǐng)域。

三、AI的市場(chǎng)情況

1. AI應(yīng)用分類

關(guān)鍵性應(yīng)用：需要算法準(zhǔn)確度在99.9999%以上的應(yīng)用。比如無人駕駛汽車、手術(shù)機(jī)器人等。

非關(guān)鍵性應(yīng)用：只需要算法準(zhǔn)確度在99%或95%以上的應(yīng)用。例如人臉識(shí)別、廣告推送等。

關(guān)鍵性應(yīng)用對(duì)算法要求極高，需要特別優(yōu)秀的AI算法專家來推動(dòng)實(shí)現(xiàn)。非關(guān)鍵性應(yīng)用對(duì)算法要求相對(duì)低，借助開源算法即可以進(jìn)行落地。關(guān)鍵性應(yīng)用的關(guān)鍵角色是AI算法專家（AI 科學(xué)家）、非關(guān)鍵性應(yīng)用的關(guān)鍵角色則是AI PM 。

2. AI的市場(chǎng)化

由于云計(jì)算解決了計(jì)算力的問題，又有開源算法以及Google等公司開放的框架可利用，很多AI產(chǎn)品的落地條件只剩下找到數(shù)據(jù)了。而一些有數(shù)據(jù)積累的互聯(lián)網(wǎng)公司在這一點(diǎn)上具備先發(fā)優(yōu)勢(shì)，比如百度、阿里、騰訊，都開始搶奪下一個(gè)商業(yè)風(fēng)口（AI）了。百度已經(jīng)是all in AI 了，目前百度的無人汽車駕駛已經(jīng)初見成效，離大規(guī)模商品化不遠(yuǎn)。阿里利用AI為自己的服務(wù)進(jìn)行各種升級(jí)，比如人臉識(shí)別、人臉解鎖等等，現(xiàn)在阿里布局的新零售線下無人超市等必不可缺AI支持。騰訊的計(jì)算機(jī)識(shí)別相關(guān)軟件已經(jīng)成熟并等待深度商業(yè)化。另外一些小一點(diǎn)且針對(duì)領(lǐng)域相對(duì)垂直的互聯(lián)網(wǎng)公司，如喜馬拉雅、美團(tuán)等，都開始為自己的應(yīng)用或服務(wù)AI 賦能。（此處針對(duì)非關(guān)鍵性應(yīng)用介紹）

過去多年互聯(lián)網(wǎng)的發(fā)展很好地打下了數(shù)據(jù)基礎(chǔ)，互聯(lián)網(wǎng)應(yīng)用是很好的數(shù)據(jù)采取端口。產(chǎn)品經(jīng)理要負(fù)責(zé)AI產(chǎn)品的時(shí)候同樣需要多花心思設(shè)計(jì)應(yīng)用的數(shù)據(jù)采集體系，使得可更高效地采集數(shù)據(jù)，且采集數(shù)據(jù)更便于形成優(yōu)質(zhì)樣本。

順便說下短期市場(chǎng)趨勢(shì)——專家系統(tǒng)。“專家系統(tǒng)”也是AI模型里很重要的一部分，我們可以簡(jiǎn)單理解為“專家系統(tǒng)”就是針對(duì)一個(gè)專業(yè)領(lǐng)域進(jìn)行專業(yè)知識(shí)的訓(xùn)練而獲得的模型，“專家系統(tǒng)”其實(shí)就是機(jī)器復(fù)制行業(yè)專家的專業(yè)能力，并替代其完成工作。比如醫(yī)療專家系統(tǒng)AI、股票專家系統(tǒng)AI。前者是替代醫(yī)生進(jìn)行診斷看病并輸出結(jié)果，后者是替代股票專家?guī)陀脩舴治龉墒屑巴扑]股票。“專家系統(tǒng)”的訓(xùn)練要依靠行業(yè)專家或?qū)＜铱偨Y(jié)的專業(yè)知識(shí)，行業(yè)專家要參與訓(xùn)練和測(cè)試效果。目前市場(chǎng)里某些領(lǐng)域的“專家系統(tǒng)”已經(jīng)相當(dāng)成熟了，“專家系統(tǒng)”也是最容易直接創(chuàng)造商業(yè)價(jià)值的AI。目前大公司的AI框架所開放的API已經(jīng)足夠訓(xùn)練成熟的“專家系統(tǒng)”，只需要滿足條件：1）有專家知識(shí)；2）有足夠多的優(yōu)質(zhì)數(shù)據(jù)。

3. 硬件&軟件

AI的產(chǎn)品可以分為硬件AI（包括硬軟結(jié)合AI）、軟件AI。其中硬件AI產(chǎn)品的落地成本更高、風(fēng)險(xiǎn)更大、周期更長(zhǎng)，所以目前市場(chǎng)資本對(duì)軟件AI公司更偏好一些，拿到投資的這類公司的量也多一些。2018年開始后的兩三年內(nèi)，亮相市場(chǎng)的AI產(chǎn)品應(yīng)該大量都是軟件類，甚至說大量的AI產(chǎn)品就來自于移動(dòng)互聯(lián)網(wǎng)產(chǎn)品的升級(jí)（AI賦能）。比如美團(tuán)外賣app已經(jīng)加了AI機(jī)器人服務(wù)功能，還有微軟識(shí)花等純AI的app…

4. AI市場(chǎng)的人才需求

目前人才需求是市場(chǎng)第一需求。人才包括新興崗位：AI算法科學(xué)家、AI工程師、人工智能訓(xùn)練師、AI產(chǎn)品經(jīng)理、數(shù)據(jù)標(biāo)注專員。涉及到關(guān)鍵性應(yīng)用時(shí)，AI算法科學(xué)家、AI工程師是最稀缺且第一需求人才；涉及到非關(guān)鍵性應(yīng)用時(shí)，AI產(chǎn)品經(jīng)理為最稀缺且第一需求人才。

目前市場(chǎng)在嘗試各行各領(lǐng)域的AI產(chǎn)品，但由于AI產(chǎn)品經(jīng)理的匱乏，大部分進(jìn)展過慢或難以開展。市場(chǎng)需要更多的合格的AI產(chǎn)品經(jīng)理，合格的AI產(chǎn)品經(jīng)理需要對(duì)AI認(rèn)知全面且懂得如何與實(shí)際的市場(chǎng)需求相聯(lián)系，同時(shí)還需要有對(duì)新的需求場(chǎng)景的開發(fā)、摸索（所以AI產(chǎn)品經(jīng)理還是得具備行業(yè)經(jīng)驗(yàn)，對(duì)行業(yè)理解深刻）。

四、AI項(xiàng)目中的分工

1. AI科學(xué)家

崗位職責(zé)：

研究機(jī)器學(xué)習(xí)算法、AI模型（通常只有關(guān)鍵性應(yīng)用的項(xiàng)目才會(huì)需要AI科學(xué)家）。

2. AI工程師

崗位職責(zé)：

利用模型進(jìn)行編程，負(fù)責(zé)調(diào)整模型參數(shù)，以及數(shù)據(jù)訓(xùn)練的操作。

3. AI訓(xùn)練師

（1）崗位職責(zé)

通過分析產(chǎn)品需求及相關(guān)數(shù)據(jù)，制定數(shù)據(jù)標(biāo)注規(guī)則，提高數(shù)據(jù)標(biāo)注工作質(zhì)量和效率，同時(shí)累積細(xì)分領(lǐng)域通用數(shù)據(jù)。

（2）崗位需求背景

• 數(shù)據(jù)標(biāo)注是AI項(xiàng)目中最重要的環(huán)節(jié)之一。一般情況下需要由數(shù)據(jù)標(biāo)注員來完成數(shù)據(jù)標(biāo)注（即給訓(xùn)練數(shù)據(jù)打標(biāo)簽），但是數(shù)據(jù)標(biāo)注員對(duì)數(shù)據(jù)的理解的不同會(huì)造成標(biāo)注質(zhì)量差異大，導(dǎo)致整個(gè)標(biāo)注工作的效率和效果都不好。
• AI公司在其細(xì)分領(lǐng)域可能累積了大量數(shù)據(jù)，但是由于缺少對(duì)數(shù)據(jù)的正確管理，使得這些數(shù)據(jù)難以沉淀、復(fù)用，使用一次之后難以再發(fā)揮價(jià)值。所以AI訓(xùn)練師成為了必要。

（3）具體工作內(nèi)容

• 通過聚類算法、標(biāo)注分析等方式，以及憑借對(duì)行業(yè)的理解，從數(shù)據(jù)中結(jié)合行業(yè)場(chǎng)景提取特征。輸出表達(dá)清晰準(zhǔn)確的數(shù)據(jù)標(biāo)注規(guī)則。
• 輔助AI工程師的工作，并進(jìn)行數(shù)據(jù)驗(yàn)收。參與核心指標(biāo)的制定以及指標(biāo)監(jiān)督。日常跟蹤數(shù)據(jù)。（偏向于運(yùn)營(yíng)的工作）
• 根據(jù)細(xì)分領(lǐng)域的數(shù)據(jù)應(yīng)用需求，從已有數(shù)據(jù)中挑選符合要求的通用數(shù)據(jù)，形成數(shù)據(jù)沉淀、積累。
• 提出細(xì)化的數(shù)據(jù)需求，以及提出產(chǎn)品優(yōu)化建議。該工作需要和AI產(chǎn)品經(jīng)理進(jìn)行大量溝通
• 分配數(shù)據(jù)標(biāo)注員的工作，對(duì)數(shù)據(jù)標(biāo)注員的工作進(jìn)行培訓(xùn)、指導(dǎo)。以及驗(yàn)收數(shù)據(jù)（檢查數(shù)據(jù)標(biāo)注員工作結(jié)果）。該工作需要和數(shù)據(jù)標(biāo)注員進(jìn)行大量溝通。

（4）兩個(gè)側(cè)重方向

AI訓(xùn)練師有兩個(gè)側(cè)重方向：

• 一是重前期的數(shù)據(jù)挖掘工作及輔助AI工程師的工作，保證產(chǎn)品落地；
• 二是重后期的產(chǎn)品運(yùn)營(yíng)，提升產(chǎn)品體驗(yàn)。根據(jù)不同項(xiàng)目的需求而定側(cè)重方向。

（5）能力模型

• 數(shù)據(jù)能力——會(huì)使用科學(xué)的數(shù)據(jù)獲取方法，能利用excel之類的數(shù)據(jù)處理工具。
• 行業(yè)背景——熟悉公司行業(yè)領(lǐng)域知識(shí)，以及數(shù)據(jù)特點(diǎn)（比如語言、圖像）。
• 分析能力——基于產(chǎn)品數(shù)據(jù)需求，提煉問題特征，輸出優(yōu)化方案。
• 溝通能力——能通俗易懂的闡釋專業(yè)術(shù)語，與各崗位同事交流都能切換頻道。
• AI技術(shù)理解力——特別是跟AI工程師交流時(shí)能厘清AI概念，并判斷技術(shù)邊界（能不能做，能做到什么程度）。
• AI行業(yè)理解力——具備AI行業(yè)知識(shí)框架。

4. AI產(chǎn)品經(jīng)理

（1）崗位職責(zé)

理解行業(yè)及用戶，收集／挖掘需求、分析需求，做出產(chǎn)品戰(zhàn)略規(guī)劃，并設(shè)計(jì)產(chǎn)品解決方案、分析最佳的AI解決方案（比如用什么AI技術(shù)、哪一個(gè)模型），與AI訓(xùn)練師溝通、AI工程師溝通，完成產(chǎn)品demo，推動(dòng)產(chǎn)品上線，跟蹤數(shù)據(jù)，做出產(chǎn)品優(yōu)化方案。

（2）崗位需求背景

無論在哪個(gè)領(lǐng)域，做產(chǎn)品都需要產(chǎn)品經(jīng)理。只不過在AI領(lǐng)域，需要對(duì)AI行業(yè)知識(shí)理解深刻的產(chǎn)品經(jīng)理，這樣的產(chǎn)品經(jīng)理具備邊界判斷的能力以及判斷最佳解決方案的能力，我們把這樣的產(chǎn)品經(jīng)理叫AI產(chǎn)品經(jīng)理。

（3）具體工作內(nèi)容

• 調(diào)研行業(yè)，理解行業(yè)業(yè)務(wù)，收集或挖掘行業(yè)需求；
• 深刻理解需求，分析目標(biāo)用戶，輸出用戶畫像；
• 定位產(chǎn)品，制定產(chǎn)品戰(zhàn)略（結(jié)合對(duì)市場(chǎng)發(fā)展趨勢(shì)、競(jìng)品等的理解）；
• 找出解決需求的方案，并轉(zhuǎn)化為AI產(chǎn)品；選擇最佳AI解決方案（帶著需求和產(chǎn)品規(guī)劃與AI工程師、AI訓(xùn)練師深度溝通），并判斷落地可行性及可實(shí)現(xiàn)程度；參與制定數(shù)據(jù)標(biāo)注規(guī)則；
• 設(shè)計(jì)產(chǎn)品，輸出產(chǎn)品demo及各種文檔（流程圖、PRD等）；
• 向AI訓(xùn)練師收集產(chǎn)品優(yōu)化建議；
• 優(yōu)化產(chǎn)品；
• 評(píng)估產(chǎn)品，計(jì)劃開發(fā)（UI設(shè)計(jì)及開發(fā)）階段、周期。制定驗(yàn)收標(biāo)準(zhǔn)；
• 驗(yàn)收產(chǎn)品，與運(yùn)營(yíng)對(duì)接，上線。

（4）能力模型

• AI技術(shù)理解力——跟AI工程師交流時(shí)能厘清AI概念，判斷技術(shù)邊界（能不能做，能做到什么程度）；能結(jié)合產(chǎn)品體驗(yàn)，做好交互設(shè)計(jì)，使得AI部分的表現(xiàn)形式最佳；了解需要什么樣的數(shù)據(jù)，甚至設(shè)計(jì)最佳數(shù)據(jù)采集功能，使應(yīng)用可以更好的采集高質(zhì)量數(shù)據(jù)，累積以備利用。
• AI行業(yè)理解力（加創(chuàng)造力）——具備AI行業(yè)知識(shí)框架。能結(jié)合系統(tǒng)的AI知識(shí)展開邏輯性的思維發(fā)散，考慮AI帶來的新行業(yè)的可能性。
• 傳統(tǒng)互聯(lián)網(wǎng)產(chǎn)品經(jīng)理的通用能力

5. 數(shù)據(jù)標(biāo)注員

（1）崗位職責(zé)

負(fù)責(zé)給數(shù)據(jù)打標(biāo)簽的執(zhí)行工作。

（2）崗位需求背景

數(shù)據(jù)標(biāo)注是個(gè)工作量極大的工作，且專業(yè)度要求不高。

（3）具體工作內(nèi)容

• 按照規(guī)則預(yù)訓(xùn)練，評(píng)估規(guī)則及工時(shí)；
• 按規(guī)則完成要求的數(shù)據(jù)標(biāo)簽；
• 交付已標(biāo)注數(shù)據(jù)。

PS：AI產(chǎn)品經(jīng)理和AI訓(xùn)練師具備類似的能力模型，只是工作側(cè)重點(diǎn)不同，AI訓(xùn)練師負(fù)責(zé)更細(xì)分的數(shù)據(jù)工作。目前市場(chǎng)上的AI訓(xùn)練師大部分來自產(chǎn)品經(jīng)理的轉(zhuǎn)型。而AI 產(chǎn)品經(jīng)理可以直接兼顧AI訓(xùn)練師的職責(zé)，即不需要AI訓(xùn)練師，只要AI產(chǎn)品經(jīng)理。

五、PM對(duì)互聯(lián)網(wǎng)產(chǎn)品AI升級(jí)

很多移動(dòng)互聯(lián)網(wǎng)的產(chǎn)品都可以進(jìn)行AI升級(jí)，所以建議產(chǎn)品經(jīng)理們進(jìn)行AI學(xué)習(xí)，可以為自己的產(chǎn)品進(jìn)行AI賦能。（此處我們只針對(duì)于分關(guān)鍵性應(yīng)用進(jìn)行討論，即不需要AI科學(xué)家的崗位，只需要懂得利用開源框架和模型即可。）

1. 用AI解決方案代替?zhèn)鹘y(tǒng)的算法解決方案

舉例：新聞app的智能推薦功能

例如，以前今日頭條的智能推薦功能是基于對(duì)用戶行為路徑的研究得出的用戶模型，根據(jù)用戶的過去行為產(chǎn)生的數(shù)據(jù)，對(duì)用戶當(dāng)下想看的或喜歡的內(nèi)容進(jìn)行預(yù)測(cè)并推送。概括講就是通過研究先找到用戶行為跟用戶喜歡之間的映射關(guān)系，然后根據(jù)映射關(guān)系寫好算法。

該解決方案的缺陷是：

1. 找到準(zhǔn)確的映射關(guān)系難度大，并且很可能遺漏很多規(guī)律；
2. 需要對(duì)用戶體驗(yàn)進(jìn)行優(yōu)化就需要更新算法，工作量大，且優(yōu)化周期偏長(zhǎng)；
3. 產(chǎn)品體驗(yàn)跟算法工程師的技術(shù)能力直接相關(guān)，并非每一個(gè)公司都有足夠優(yōu)秀的算法工程師。

用AI方案替代：直接利用數(shù)據(jù)進(jìn)行訓(xùn)練，讓模型在學(xué)習(xí)的過程中自己找到映射關(guān)系，然后接入應(yīng)用。優(yōu)點(diǎn)是：

1. 可以找到人未能總結(jié)出的一些規(guī)律，效果可能出乎意料；
2. AI自己時(shí)時(shí)刻刻通過數(shù)據(jù)進(jìn)行自我升級(jí)；
3. 即使沒有算法工程師，也可以實(shí)現(xiàn)智能推送效果。

2. 在原app上添加AI功能

舉例：外賣app

利用AI增加個(gè)性化界面功能——讓app調(diào)用AI模型，利用用戶數(shù)據(jù)對(duì)AI模型進(jìn)行訓(xùn)練，讓AI找到不同行為的用戶分別有什么點(diǎn)餐習(xí)慣或者說屬于什么用戶行為模型。當(dāng)用戶進(jìn)入app時(shí)，根據(jù)用戶之前的行為數(shù)據(jù)，展示界面定制化呈現(xiàn)。

利用AI幫助用戶更快做出更佳選擇——用戶進(jìn)入外賣app時(shí)，可以直接語音提問：

• 今天哪些店鋪活動(dòng)中？
• 有什么粵菜新店？
• ……

經(jīng)過語音識(shí)別、語音合成、專家系統(tǒng)訓(xùn)練的AI會(huì)迅速得出答案并回復(fù)用戶，同時(shí)帶上鏈接。如此用戶就可以快速完成下單。（其實(shí)AI對(duì)移動(dòng)互聯(lián)網(wǎng)的升級(jí)有更多方式，這個(gè)需要靠產(chǎn)品經(jīng)理對(duì)業(yè)務(wù)、用戶需求有足夠深度的理解并挖掘出來）。

六、AI產(chǎn)品經(jīng)理需要參與、推動(dòng)的重要流程

（1）分析用戶需求，找到痛點(diǎn)并思考用什么樣的AI方案進(jìn)行解決

（2）設(shè)計(jì)產(chǎn)品的后臺(tái)數(shù)據(jù)采集功能，保證數(shù)據(jù)的采集更方便機(jī)器學(xué)習(xí)時(shí)利用（設(shè)計(jì)產(chǎn)品時(shí)，要分析出機(jī)器學(xué)習(xí)時(shí)需要的數(shù)據(jù)量、數(shù)據(jù)類型以及數(shù)據(jù)特征）

（3）與AI訓(xùn)練師溝通制定數(shù)據(jù)標(biāo)注規(guī)則

（4）與AI工程師進(jìn)行交流，告知AI工程師需要的AI模型，預(yù)期效果，以及與客戶端的數(shù)據(jù)交互需求。與用戶端工程師進(jìn)行交流，告知AI如何與客戶端進(jìn)行數(shù)據(jù)交互

（5）設(shè)計(jì)客戶端，推動(dòng)客戶端開發(fā)實(shí)現(xiàn)

（6）數(shù)據(jù)訓(xùn)練機(jī)器

準(zhǔn)備樣本數(shù)據(jù)（訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)）–為訓(xùn)練數(shù)據(jù)打標(biāo)簽–輸入帶標(biāo)簽的訓(xùn)練數(shù)據(jù)–輸入測(cè)試數(shù)據(jù)–查看擬合度，或調(diào)整模型參數(shù)–循環(huán)訓(xùn)練直至達(dá)到最佳擬合。

（7）檢查訓(xùn)練后的AI模型是否滿足需求。若不滿足，與AI工程師共同分析問題并找出解決方案

（8）將成型的AI產(chǎn)品面對(duì)“用戶角色”測(cè)試，無問題后上線正式運(yùn)營(yíng)

好了，要轉(zhuǎn)型做一個(gè)AI產(chǎn)品經(jīng)理的快學(xué)習(xí)指南就先到這里了，文末會(huì)有知識(shí)結(jié)構(gòu)的腦圖下載地址，以及參考文獻(xiàn)、推薦閱讀書籍。希望大家看完老狼的分享后，腦里可形成一個(gè)學(xué)習(xí)大綱，有了清晰的學(xué)習(xí)思路。

還有一個(gè)特別重要的事！如果你看完老狼的分享，還是對(duì)AI一無所知，為了讓你沒有白花時(shí)間看這篇文章，老狼告訴你一個(gè)特別的裝13技巧，當(dāng)大家都在各種拿AI吹水的時(shí)候，你點(diǎn)上一支香煙，45度抬頭，看著那一縷青煙，輕描淡寫地說道：其實(shí)AI很簡(jiǎn)單，它不過是一個(gè)函數(shù)。

云盤分享：腦圖分享–AI PM學(xué)習(xí)指南大綱

作者：鄧生，5年產(chǎn)品經(jīng)驗(yàn)

本文由 @老狼幾點(diǎn)了 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Pexels，基于 CC0 協(xié)議