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

關(guān)于機器學(xué)習(xí)有太多的文章介紹了，如果還對機器學(xué)習(xí)一知半解的可以參考一下其他文章，我的其他文章中也有簡單介紹了機器學(xué)習(xí)。本文主要介紹機器學(xué)習(xí)的應(yīng)用以及我們?nèi)绾问褂脵C器學(xué)習(xí)滿足產(chǎn)品需求，盡量不說廢話。

作為AI產(chǎn)品經(jīng)理，不僅需要知道技術(shù)的邊界，還要對應(yīng)用場景的有足夠的理解。

談到談到機器學(xué)習(xí)，有些人還不清楚機器學(xué)習(xí)和深度學(xué)習(xí)、人工智能之間的關(guān)系，甚至以為是一回事——其實不是這樣的。

下面這個圖可以幫助大家梳理這三者之間的關(guān)系：

人工智能是個很泛的概念，有很多不同的方向：

50年代-70年代，人們認為賦予機器推理能力就能夠使得機器具有智能，具有代表性的工作是圖靈獎得主A.Newell和H.SImon的“邏輯理論家”程序。隨著研究的逐漸深入，人們意識到僅有邏輯推理還是遠遠達不到智能的，必須要有先驗知識。

這階段人們試圖將人類的知識抽象成規(guī)則輸出到機器，也就是所謂的專家系統(tǒng)。

顯然，知識是浩瀚的海洋，很快人們就遇到了瓶頸，幾乎不可能準(zhǔn)確的去概括所有知識。

例如語音識別，一開始人們把字詞的發(fā)音做成模板，通過模板匹配的方式做識別，可想而知由于不同的人的發(fā)音習(xí)慣，加上不同的口音，語速等等，使得識別率一直都很差。

關(guān)于語音的特征，是很難人工去刻畫的；于是就有學(xué)者提出了讓機器自己學(xué)習(xí)的思路，并進行了相關(guān)的研究——這就是機器學(xué)習(xí)。

而深度學(xué)習(xí)是機器學(xué)習(xí)的一個方向：得益于計算能力的提升和互聯(lián)網(wǎng)發(fā)展帶來的大量數(shù)據(jù)累積，往往只要調(diào)節(jié)好參數(shù)，就能得到不錯的性能。

深度學(xué)習(xí)并沒有嚴格的理論基礎(chǔ)，可以說是“大力出奇跡”的一種方法，降低了了機器學(xué)習(xí)應(yīng)用的門檻。

一、什么時候可以使用機器學(xué)習(xí)？

首先我們要明白：什么是智能？

廣義上來說，只要是能夠根據(jù)先驗知識，通過決策對外部刺激做出合理反饋的行為都可以稱為智能。

互聯(lián)網(wǎng)產(chǎn)品在這幾年的發(fā)展大多數(shù)是基于流程化，是一種對于信息的重新組織和優(yōu)化。一般來說只要有一個輸入，我們就能夠得到一個預(yù)期的輸出——直觀上就是“不智能”。

仔細想一下：是不是和人工智能最開始的“邏輯推理”階段有點像？

互聯(lián)網(wǎng)剛開始興起的時候，流程優(yōu)化、打破信息不對稱，提升了社會效率，積累了大量的數(shù)據(jù)；同樣的，現(xiàn)在信息的高度流通，也達到了一個“瓶頸”。

那么，如何進一步提升效率呢？機器學(xué)習(xí)給出了一個答案：現(xiàn)在的大數(shù)據(jù)就相當(dāng)于“先驗經(jīng)驗”，通過機器學(xué)習(xí)，讓信息觸達能夠做到“千人千面”，降低了無效信息的損耗，讓資源得到更加合理的配置。

所以使用機器學(xué)習(xí)的第一個目標(biāo)，就是要幫助產(chǎn)品突破“瓶頸”，提高效率。

現(xiàn)在回答什么時候使用機器學(xué)習(xí)？或者說是具備了什么樣的條件的業(yè)務(wù)適合使用機器學(xué)習(xí)？

1.業(yè)務(wù)目標(biāo)清晰（抽象為分類/回歸問題）

在使用機器學(xué)習(xí)之前，要明確業(yè)務(wù)目標(biāo)。

單獨的機器學(xué)習(xí)在目前是很難直接支撐其一個場景產(chǎn)品的（區(qū)別于工具產(chǎn)品），所以機器學(xué)習(xí)的業(yè)務(wù)目標(biāo)一般散落在產(chǎn)品業(yè)務(wù)的各個角落。例如向用戶推送營銷信息，如果全量推送，既無法保證轉(zhuǎn)化率，又會騷擾用戶，這是一種“低效率”的方式，可以使用機器學(xué)習(xí)找出可能會對營銷信息感興趣的用戶推送。

其實大多數(shù)適用機器學(xué)習(xí)的業(yè)務(wù)場景都能夠過抽象為分類（離散化）/回歸（連續(xù)化）的問題。

• 常見的分類問題：識別問題（人臉識別、指紋識別、花草識別）
• 常見的回歸問題：預(yù)測問題（點擊率預(yù)測、轉(zhuǎn)化率預(yù)測）

2.機器學(xué)習(xí)的成果能夠作用于業(yè)務(wù)

在某項業(yè)務(wù)中使用機器學(xué)習(xí)，機器學(xué)習(xí)的成果要能夠反過來作用于業(yè)務(wù)（提升轉(zhuǎn)化率、提高用戶體驗等等）。

舉個例子，假設(shè)你拿到大量的個人數(shù)據(jù)，可以準(zhǔn)確預(yù)測出某個人的購物喜好，但是這份數(shù)據(jù)并沒有這些人的聯(lián)系方式，則預(yù)測的結(jié)果實際上是沒辦法作用到業(yè)務(wù)的。

再舉個例子，如自動摘要，如果自動摘要出來的結(jié)果準(zhǔn)確率不高，則這些結(jié)果是沒有什么價值的，同樣不能滿足“能夠作用于業(yè)務(wù)”。

3.具備“特征”

具備特征是很重要的一點。

如垃圾郵件識別，可能具備的特征有：無規(guī)則的郵箱地址、含有生僻字、發(fā)信時間等等——那么很顯然可以使用機器學(xué)習(xí)解決。

反例，通過長相預(yù)測年收入。

仔細想想：年收入高的人在長相上具備什么“特征”嗎？這個是個謎；或許還真有，但是不好說。但是如果使用機器學(xué)習(xí)去做這樣的預(yù)測，除非是做學(xué)術(shù)研究，否則在生產(chǎn)環(huán)境中是不太適合的。

4.具備“樣本”

無論是統(tǒng)計機器學(xué)習(xí)還是深度學(xué)習(xí)，都是需要樣本的。

而樣本獲取可以是基于業(yè)務(wù)經(jīng)驗收集，如第3點的垃圾郵件識別，根據(jù)經(jīng)驗我們就可以收集郵箱地址、發(fā)信時間等等維度的特征。

如果沒有業(yè)務(wù)經(jīng)驗，也可以進行全量的收集，特征不是越多越好，特征太多就會造成過擬合。

如果新加入的特征讓準(zhǔn)確率提升不大但是讓模型的復(fù)雜度提升很大，我們就認為這個特征是不必要的。

二、如何提機器學(xué)習(xí)產(chǎn)品需求？

除了常規(guī)的界面需求、流程需求之外，涉及到機器學(xué)習(xí)的產(chǎn)品需求還應(yīng)包括：

1.業(yè)務(wù)場景描述

作用是讓算法人員理解業(yè)務(wù)場景，更好的理解輸入與輸出的需求，可以包含對業(yè)務(wù)經(jīng)驗的描述。

以垃圾郵件識別為例：在用戶接收的郵件后，推送提醒之前，對郵件進行判定，如果為垃圾郵件，則不推送提醒，將郵件轉(zhuǎn)移到放入”垃圾郵件“文件夾。

2.目標(biāo)（輸出）定義

什么樣的郵件才是垃圾郵件？含有廣告信息？含有欺詐信息？不同的人都有不同的定義。但是總是能夠找得到一個共識。定義和特征類似，不是越完整越好，越完整的定義，泛化能力就越差。

例如你把廣告信息定義為垃圾郵件，但是有用戶愛好奇特，喜歡看廣告，對于他們來說就不是垃圾郵件。

明確的定義主要是用來指導(dǎo)標(biāo)注，關(guān)于標(biāo)注那些事兒在我的上篇文章已經(jīng)詳細介紹，有興趣可以翻閱。

關(guān)于垃圾郵件，可以列出幾條定義如：無內(nèi)容、內(nèi)容雜亂、明顯的黃暴信息等等。

如果是回歸問題，如預(yù)測銷售量，定義銷售量=受眾群體數(shù)×轉(zhuǎn)化率。受眾群體數(shù)一般可知，則預(yù)測轉(zhuǎn)化率即算出銷售量。

3.指標(biāo)要求

關(guān)于機器學(xué)習(xí)的四個指標(biāo)，簡單提一下，許多文章都有介紹了。查準(zhǔn)率（Precision）、查全率（Recall）、精確度（Accuracy）、F值。這是封閉測試集中的指標(biāo)，如果是生物識別問題，還涉及錯誤接受率、錯誤拒絕率、等錯率等指標(biāo)。產(chǎn)品需要根據(jù)業(yè)務(wù)需要，或者是充分的數(shù)據(jù)分析來確定指標(biāo)要求。

4.樣本提供

樣本越全，對于機器學(xué)習(xí)的性能的提升的幫助越大。樣本需要客觀、準(zhǔn)確。有全量樣本是最好的，如果沒有，要使用抽樣樣本，要保證抽樣樣本的分布構(gòu)成和實際保持一致。

本文由 @躚塵 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 Unsplash ，基于 CC0 協(xié)議