《人工智能产品经理——AI时代PM修炼手册》

作者:张竞宇

出版时间:2018年6月

字数:198k

阅读是个比较私人的事情,因为每个人的知识背景和诉求不同,读同一本书理解的角度和程度也不同,所以觉得值得记录的点也各不相同。以下仅为个人观点,不具备普适性。

入行人工智能产品9个月,市面上才有第一本讲AI PM的书,于是买了一读。简单地说,是一本系统性、概括性的介绍人工智能行业产品经理的从业概览图。个人认为入行时间≤6个月的同学推荐一读,可以较为系统地了解全貌;>6个月的可以读一下,用来查漏补缺

以下是很简略的思维导图,细节还是看书吧~

挑两个小细节做一点延伸:

算法、模型、数据等等这些之间是什么关系?

可以用下厨打个比方,算法=厨具,模型=菜谱,数据=食材。现在我们手里有各种各样的厨具(算法),也有大量的食材(数据),我们知道通过这些食材可以做出一个番茄炒蛋,但是我们不知道菜谱(模型)是什么。现在有一个炒菜机器人(类比TensorFlow),我们可以通过炒菜机器人去调整参数(炒多久、火候、作料的量和时机)。

选择觉得适合做出番茄炒蛋的厨具(比如选择适合做商品推荐的算法),扔一堆食材(数据)进去,操作一番(训练),直到得到了理想中的番茄炒蛋为止,这时候炒菜机器人就会生成对应的菜谱(模型)。下次往同样的厨具里扔一堆食材,用同样的菜谱,就可以获得番茄炒蛋。也就是用同样的算法,扔一堆数据,用同样的模型,就可以获得想要的输出了。

准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure怎么理解?

在一个典型的搜索案例中,假设商品总数100个,其中书籍有40本,非书籍商品60个。搜索“书”返回了30个商品,其中25个是书,5个不是书。

那么TP=True Positive=25(判断是目标商品,并判断对了)

FP=False Positive=5(判断是目标商品,但判断错了)

TN=True Negative=55(判断不是目标商品,并判断对了)

FN=False Negative=15(判断不是目标商品,但判断错了)

那么准确率=(TP+FN)/总数=(25+55)/100=80%

精确率=TP/(TP+FP)=25/30=83.3% (挑出来的结果里有多少是对的)

召回率=TP/(TP+FN)=25/40=62.5% (所有应该被挑出来的结果里,有多少实际被挑出来了)

F1值就是精确值和召回率的调和均值=(2*precision*recall)/(precision+recall)

简单地说,准确率高=找是对,召回率高=找得全

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180730G1UN5I00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券