对于AI商品副经理来说，在懂销售业务之外，有时也需要懂许多控制技术。责任编辑作者透过鬼故事闲聊的形式，对机器自学的许多常用的演算法和赞扬分项进行了如是说，希望能给你带来许多协助。

AI产品经理是如何理解机器学习的那个高考故意考0分，写8000字抨击高考制度的蒋多多，现在怎样？

下期目的：简述之前敲标识符的日常，借助日常生活情景协助AI商品副经理重新认识机器自学及自学过程中常用演算法和赞扬分项。

适用听众：AI/统计数据商品副经理。

阅读重点：品，曾自言，结合年级故事再品。

最近看了许多关于机器自学有关的文章或书刊，能归因于两类吧。第一类，新浪网型：说它是BD新浪网吧，它不如BD新浪网智能，说它不是BD新浪网吧，它只能给你拽术语说明术语，还说明得特别专精，艰涩艰涩。第三类，伪智囊团：满满全是蔬果（太湿了……）。各种专精的术语，专精的数学公式，阿宝看要学，专家用不着看，完全没有发挥出那一大堆文本的价值。

责任编辑将不间断透过鬼故事闲聊的形式如是说机器自学，让阿宝也能学会机器自学基本上原理。一共新溪洲部分：重新认识机器自学、机器自学基本上原理和常用问题、事例Jalgaon。

1）认识机器自学：普及化呵呵机器自学的基本上方法论（表述、情景、分类、要素等），方便阿宝老师更好地获得胜利。三夫老师，也能仔细分析基本上方法论，结晶呵呵自己的项目经历。许多知识两遍是学不知道的，多学两遍，每两遍都有相同的斩获。

2）机器自学演算法基本上原理赞扬分项：如是说许多常用演算法、怎么赞扬相同模型的优劣。

3）标识符实现：透过逻辑回归事例，重新认识机器自学的工作业务流程。结语会设计标识符操作，非控制技工能埃唐佩县标识符，看注解文本，要学标识符也能看知道机器要若想自学到历史规律的。

一、借助日常生活情景重新认识机器自学

1. 有关术语如是说

机器自学（ML）、深度自学（DL）、语义处理（NLP）、计算机听觉（CV）等，有关术语如是说去B度新浪网搜寻呵呵，那里比我说明的详细。有关术语还是有必要介绍呵呵的，这样有助于认知后边的自学内容。

商品副经理要懂销售业务也要懂控制技术（起码专精术语要介绍），尤其是统计数据或AI型的商品副经理。能去这个地址（http://dict.code-nav.cn/）自学呵呵，好心人整理的编程词典，汇集了计算机大部分领域的专精术语。向好心人致敬！！！

2. 表述

表述：为介绍决任务T，设计一段程序，从经验E中自学，达到性能度量值P，当且仅当有了经验E后，经过P评判，程序在处理T时的性能得到提升。

表述虽然有点绕口，但是已经把机器自学的基本上原理讲的很知道了。需要你品，而且静心曾自言。联想日常生活实例，咱们小学自学画画时，是怎样的一个自学情景？

为了写字工整好看（任务T）我们照着课本写，照着字帖写，照着老师的写（经验E）直到有一天，老师说，“瞧你写的一手好字”（度量值P）

化悲伤为动力，你反复练习，老师多次指导，日复一日，年复一年……

小学六年级的铅笔书法大赛（处理任务T）你拿着写好的大字（已经有了经验E）请老师点评：恭喜你小学毕业了（透过P评判）

故事讲到这里，你应该能品知道这句绕口的话了吧（任务T），如果还不知道，就反复去品更多故事（经验E），直到品知道（评判P）。

3. 应用情景

无人驾驶、人脸识别、语音识别、智能互动（小爱）、个性化广告。

4. 机器自学有哪些分类

按自学方法能分为：有监督自学、无监督自学、强化自学；

按任务类型能分为：回归、分类、聚类和时间序列。

强化自学和时序分析比较少见（fact：我还讲不知道），能共同讨论。

（看图识意1.0）

5. “监督”是什么意思

对于机器而言，就是用来自学的统计数据集，有没有明确的标签（回归也是有标签的，只不过是连续的）。就好比，你在自学画画的时候，众多的参考文本中，老师有没有告诉你，什么样的字代表着好，什么样的字代表着不好。

1）有监督自学(有标签)

分类，样本标签属于离散变量(垃圾邮件、肿瘤检测)，ChatGPT就属于分类问题中的生成模型。

回归，样本标签属于连续变量(预测房价、预测销售额)。

2）无监督自学(无标签)

聚类：用户分群，朋友分组(朋友分组)，细分市场，异常流量监测。

降维：线索太多可能干扰判断，影响判断速度及准确度。

6. 自学方法三要素

模型、策略和演算法是自学方法的三要素。不要急，咱们先专精得讲，再结合日常生活实例去认知他。

1）模型

要自学的概率分布或决策函数（这就是模型，这就是模型，这就是模型！！！！！！）假设空间：所有可能的条件概率分布或决策函数构成的集合

2）策略

从假设空间中自学最优模型的方法称为策略。衡量模型好与不好需要许多分项，这时候我们引入损失函数来衡量，衡量预测值和真实值的差距。常用损失函数有：0-1损失函数、平方损失函数、绝对损失函数、交叉熵损失函数等。

3）演算法

计算损失函数最优解（能认知为最小）的方法。

看完上边的说明阿宝老师可能一脸蒙，演算法的老师能去深究呵呵具体有哪些实现的方法和公式推导。对于商品副经理实在认知不了，也不勉强，毕竟商品副经理靠脑子比较吃力。不过我们能透过接下来的日常生活情景去认知模型、策略、演算法三个层面含义。

故事背景：

学校要组织数学竞赛，每班只允许推荐一名老师参加。阿宝的班里共50名老师。为了年级荣誉，班主任打算在这50名老师中选择一个数学成绩最好的去参加学校的数学竞赛。

如何选择找到这名数学成绩好的老师呢？用什么分项评判数学成绩优劣呢？是最近一次月考成绩？还是期中或期末成绩？还是下半年或本年度平均成绩或最高成绩？

班主任考虑到数学竞赛是考察数学方面的综合能力，既要考虑这名老师对知识掌握的全面性又要考虑稳定性。最终决定：参评分数 = 期中成绩 * ⅓ + 期末成绩 * ⅔ 。谁的参评分数高，就代表谁的数学成绩好，能代表年级参赛。

参照机器自学：

每名老师都是一个模型，年级50名老师组成了假设空间；众多的评判分项（期中成绩、期末成绩、最高分、平均分等）就是策略，依据目标任务实际特征，选择了班主任认为合理的策略（参评分数）；参评分数具体的计算方法就是演算法。

故事讲完，阿宝老师输得心服口服。

二、机器自学演算法基本上原理和赞扬分项

刚透过粗糙的小故事带大家初步重新认识了机器自学。那么接下来就讲呵呵机器自学的常用演算法？

机器自学常用演算法：线性回归、逻辑回归、支持向量机、决策树、随机森林等。因责任编辑预期听众都跟阿宝老师一样，只是初识机器自学，所以责任编辑先透过线性回归和逻辑回归带大家走近演算法。

1. 线性回归

还记得模型是什么吗？第一章强调过三次（概率分布或决策函数）。线性回归模型就是由多个（无限）决策函数组成的。

“f(x)=ax+b”，看到这个熟悉吧，但凡上过中专的老师都不好意思承认说不重新认识，最简单的线性回归模型就是这样。

线性回归的目的：预测。透过自学大量的历史统计数据，发现一条尽可能多的涵盖旧统计数据的直线，当以后有新的特征（x）产生时，就能预测目标值（f(x)）。

看图知意，品一品下面这幅图，结合上边阿宝年级选择数学王子的故事去品（没上过职高的老师能先别看损失函数）。

（看图识意2.0）

损失函数或代价函数，就是我们之前将的策略。怎么判定那条直线是拟合效果最优的，就能透过损失函数来判断，损失函数越小就说明该直线（预测函数）拟合度越高。

上图只是在二维空间展示，只有一个特征（X），属于一元线性回归，当有多个特征（X1,X2,X3…）时，空间就是多维的，叫多元线性回归。

当一条直线能很好的拟合历史统计数据时，会出现变相的函数，比如指数函数（y=a^x）、幂函数（y=x^a）、多项式（如：y=ax^2 + bx + c）等。

2. 逻辑回归

逻辑回归虽然叫回归，但是在解决分类问题，透过找到一条曲线（其实是概率）能将两种类别的统计数据划分开（二分类），能参照《机器自学有哪些分类》中（看图识意1.0）。

逻辑回归的假设函数：结果是[ 0 , 1 ]的概率数字,表示：样本是1类的概率。

（不用认知，就知道这是一条曲线，能将样本划分成两类即可）

想透过这种形式介绍更多演算法的老师们能下期见。

3. 回归模型的赞扬分项均方差(Mean Squared Error，MSE): 该分项透过计算预测值与实际值之间的偏差平方和的均值，反映了模型对统计数据的拟合程度，越小越好。均方根误差(Root Mean Square Error，RMSE):该分项将 MSE 的结果开根号，以便于和原始统计数据的单位保持一致，反映了模型对统计数据的拟合程度，越小越好.平均绝对偏差(Mean Absolute Deviation，MAE) : 该分项衡量的是预测值与实际值之间的平均偏差的绝对值，反映了模型对统计数据的拟合程度，越小越好。R方(Coefficient of determination):该分项衡量的是预测值和实际值之间的有关程度，取值范围为 0-1，越接近 1 越好。