安妮 编译自 HackerNoon

　　量子位 出品 | 公众号 QbitAI

　　现在，很多产品经理、技术经理和设计师都开始研究机器学习。但机器学习对产品的设计、支持、管理或规划会产生怎样的影响？可能很多产品经理都不知道如何回答这个问题。

　　机器学习（Machine Learning, ML)可能是个“坑”。非技术人员需要的是足够的知识广度来设计机器学习产品，而不是专业的机器学习技术公开课。就如同你只是想学习开车，却报了一门“内燃机引擎”的课——学了它你也并不能学会如何开车！只能说”That’s too much for you”。

　　Part 1: 不扯数学，就说机器学习

　　机器学习系统自动从数据中学习程序。

——Pedro Domingos

　　确实，机器学习是一种在你都不知如何运作下创建的一种程序。与传统创建程序不同的是，我们不需要为它的每一步编写代码。事实上，你需要给它创建一个数据模型，即“学习算法”（Learning algorithm），而算法的核心就是一个有关“错误”的概念——学习算法试图将错误概率最小化。

　　机器学习的学习任务可以大致分为两类：“监督学习”（supervised learning）和“无监督学习”（unsupervised learning）。如何在产品中区分它们？我们来看几个例子。

　　无监督学习：数据模式的学问

　　系统将使用无标记信息的数据，也不会被告知“正确答案”，为了探索数据并找到内部结构。无监督学习对用户数据的处理效果就比较好。

　　Foursquare的“本周热门”（Trending this Week）就是一个很好的例子。Foursquare是纽约一家基于用户地理位置信息（LBS）的手机服务网站，鼓励手机用户同他人分享自己当前所在的地理位置等信息。讲道理，Foursquare获取的用户停留数据并没有被系统标记，但系统通过无监督学习可以将地点聚类而划分出热门地点。基于用户数据生成本周热门地点信息，推荐给其他用户。对它来说，数据模式创造出了餐厅流行趋势。

　　监督学习：预测结果的学问

　　监督学习拥有被标记信息，它会试图对结论进行试验和预测，就像垃圾邮件检测的模式一样。

　　简单来讲，你首先需要为很多邮件做标记——它们是否为垃圾邮件。之后将这些被标记的邮件存入算法，再用新邮件进行测试。算法的目标是将可能的错误概率最小化。如果算法认为这是一封垃圾邮件，则将它带入用户邮箱的垃圾箱里。

　　产品应用中并不那么好区分

　　虽然上述例子中可以看到监督学习和无监督学习有一定的差别，但很多情况下两者并不能被明显区分。我们可以来做个测试——你能推测出音乐平台Spotify中的“每周发现”（Discover Weekly）和“推荐歌曲”（Recommended Songs）功能所应用的算法有何不同吗？两者都是为你推荐的歌单，但它们的的确确是不同的算法。

　　

　　“每周发现”可以算作一种监督学习，机器学习记录你所听过的歌曲，并以此当成样例来预测你可能喜欢的歌曲。而“推荐歌曲”更像是一种无监督学习任务，算法在数百万张播放列表中寻找共现（co-occurrence)模式，为你推荐与你口味相似的其他人歌单中出现频率较高的歌曲。不得不说，这真是一个水灵灵的举例。

　　给你一筐可能用到的产品术语

　　数据学家经常会用一些术语来描述机器学习中遇到的问题。要不我们来做一道填空题：你建立的产品是解决?

　　1.帮助用户搜索到最合心意的选项？你说的是排序问题（ranking problem)吧。谷歌、微软必应、甚至是Twitter的搜索引擎都致力于此——试图找到并解决你当前提出的问题，并把最适合的那个置于列表最上面。

　　2.在用户没有进行明确搜索的情况下，给他们推荐可能感兴趣的话题？这是推荐问题（recommendation problem)。Netflix、Spotify还有Twitter——都是通过推荐内容来激发用户使用兴趣。

　　3.想搞清楚一件属于何种类型？对了，这就是分类问题（Classification problem)。Gmail 的反垃圾邮件系统、Facebook上的照片（人脸识别系统）就是很好的例子。

　　4.预测数值？可能你想说的是回归问题（regression problem）。比如预测机票价格在两小时内的波动，这已经是Google在半年前推出的产品了。

　　5.将相似事物归类到一起？这属于聚类问题（clustering problem）。亚马逊的相关商品顾客提示语（customers-also-bought）依然个瞩目的案例，还有我们刚刚提到的Spotify的歌单推荐，你应该还没忘吧。

　　6.发现系统异常？这叫做异常检测（anomaly detection）。很多有关热门产品（如上述提到的Foursquare、Twitter、Facebook等），对异常检测的要求更高。

　　你发现了吗？案例1-4属于监督学习，5和6属于无监督学习。在实际应用中也会出现出现一定的交叉范围。

　　Part 2 机器学习在产品实践中的应用

　　通常来讲，做机器学习产品的技术团队注重的是发掘和分析数据、建立数据管道、特征工程、选择及优化算法、避免过拟合、运行离线评估、并将机器学习运用至在线测试中等等。但作为一个产品经理，还需要重点关注下面七个问题。

　　1. 机器学习是否匹配产品目标

　　2006年，Netflix曾斥资百万美元举办大赛，要求参赛者开发一个可以预测用户为影片评分的监督学习算法。当时，Netflix主要是想通过预测用户对影片的评分，来更好地进行推荐。可实际上，Netflix想要解决的问题，和他们在大赛中用机器学习来解决的问题本是不同维度的，在开发新产品时，你更需要想清楚机器学习是否可以解决你的问题。

　　

　　2. 产品运营，机器学习就够了？

　　这里又得重提“每周发现”了，它的播放列表就是机器学习的产物。同时，还需要产品经理来决定它的适用范围。是产品经理决定了它需要每周一更新，最近的播放列表会随着新歌单的产生消失。产品经理有参与决策的部分，并不仅仅依赖机器学习。分别定义机器学习和产品经理的作用是一件至关重要的事情。

　　3. 产品如何开始使用机器学习？

转载请注明出处。