概述：用“非技術(shù)背景PM”的思路侦讨，簡單通俗地介紹機(jī)器學(xué)習(xí)韵卤，比較全面的介紹了PM工作中會涉及到的機(jī)器學(xué)習(xí)知識沈条。重點(diǎn)講解機(jī)器學(xué)習(xí)分類及算法運(yùn)用蜡歹，文章下篇會講機(jī)器學(xué)習(xí)的算法相關(guān)知識季稳。

一景鼠、AI產(chǎn)品經(jīng)理工作

在AI產(chǎn)品的研發(fā)過程中，尤其是直接應(yīng)用到機(jī)器學(xué)習(xí)算法的領(lǐng)域溯香，產(chǎn)品經(jīng)理需要做的事情是玫坛，準(zhǔn)確找到用戶需求與機(jī)器學(xué)習(xí)技術(shù)的交集湿镀，在產(chǎn)品需求的實(shí)現(xiàn)過程中勉痴，需要與研發(fā)人員溝通可行性蒸矛，技術(shù)實(shí)現(xiàn)方式雏掠，并提供數(shù)據(jù)資源及其他資源的支持劣像。

基于產(chǎn)品工作內(nèi)容和要求乡话，需要產(chǎn)品經(jīng)理至少掌握：（1）機(jī)器學(xué)習(xí)基本流程（2）機(jī)器學(xué)習(xí)可以解決的問題分類（3）常用算法的基本原理（4）工程實(shí)踐中算法、數(shù)據(jù)和計算資源三者之間的依賴關(guān)系

二驾讲、機(jī)器學(xué)習(xí)（Machine Learning, ML）

機(jī)器學(xué)習(xí)是用交叉學(xué)科研究計算機(jī)怎么模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為蚊伞，以獲取新知識或技能席赂，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。從實(shí)踐上來說时迫，機(jī)器學(xué)習(xí)就是通過以往的數(shù)據(jù)颅停，訓(xùn)練出模型掠拳，通過模型進(jìn)行預(yù)測的方法癞揉。機(jī)器學(xué)習(xí)是人工智能技術(shù)的核心。為其AI技術(shù)提供學(xué)習(xí)方法和算法支持溺欧。

三喊熟、機(jī)器學(xué)習(xí)基本流程

機(jī)器學(xué)習(xí)的基本流程依次包括：原始數(shù)據(jù)采集——數(shù)據(jù)預(yù)處理——模型訓(xùn)練——模型評估-調(diào)參——推斷，工作流程圖如下

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? [圖 3-1機(jī)器學(xué)習(xí)處理過程圖]

三姐刁、為什么使用機(jī)器學(xué)習(xí)芥牌？

因?yàn)橹皬氖碌墓ぷ鳎峭ㄟ^算法來提取數(shù)據(jù)中的價值點(diǎn)聂使，設(shè)計滿足用戶需求的產(chǎn)品壁拉。所以學(xué)習(xí)AI的第一個疑問是我為什么要使用機(jī)器學(xué)習(xí)？

思考這個問題之前柏靶，先分析網(wǎng)上流傳的一個公式：

傳統(tǒng)編程：規(guī)則+數(shù)據(jù)=答案

機(jī)器學(xué)習(xí)：數(shù)據(jù)+答案=規(guī)則

這個公式是對兩種方式工作流程的拆解弃理，傳統(tǒng)編程是通過規(guī)則和數(shù)據(jù)去推導(dǎo)結(jié)果，機(jī)器學(xué)習(xí)是通過數(shù)據(jù)和結(jié)果去訓(xùn)練模型屎蜓，通過模型去預(yù)測新的結(jié)果痘昌。拆解完流程后，根據(jù)工作中的經(jīng)驗(yàn)會發(fā)現(xiàn)在下面這四點(diǎn)炬转，機(jī)器學(xué)習(xí)有很大優(yōu)勢辆苔。

（1）需要進(jìn)行大量手工調(diào)整或擁有長串復(fù)雜規(guī)則才能解決的問題，通過機(jī)器學(xué)習(xí)算法簡化代碼扼劈，提高代碼的執(zhí)行力姑子。（算法邏輯規(guī)則太復(fù)雜，研發(fā)同學(xué)對你咆哮的場景是否仍記憶猶新）

（2）機(jī)器學(xué)習(xí)可以根據(jù)新的數(shù)據(jù)测僵，繼續(xù)學(xué)習(xí)訓(xùn)練模型，根據(jù)當(dāng)下業(yè)務(wù)適時更新谢翎，靈活性特別高捍靠。（傳統(tǒng)編程需要結(jié)合新的數(shù)據(jù)，進(jìn)行分析森逮，然后重新編寫代碼榨婆，重新發(fā)布上線）

（3）可以通過機(jī)器學(xué)習(xí)算法從海量數(shù)據(jù)中尋找數(shù)據(jù)的潛在規(guī)律和價值。（機(jī)器學(xué)習(xí)的工作方式褒侧，可以幫助我們從大量數(shù)據(jù)中發(fā)掘人工無法發(fā)現(xiàn)的價值點(diǎn)）

（4）解決復(fù)雜規(guī)則問題良风，參數(shù)太多谊迄，變量復(fù)雜，人工幾乎無法寫出合適的規(guī)則烟央。如提供“千人千面的個性化服務(wù)”统诺，預(yù)測未來的走勢等。（這是最重要的一點(diǎn)疑俭，對于簡單的規(guī)則問題粮呢，傳統(tǒng)編程算法在效果和效率上有絕對優(yōu)勢）

四、機(jī)器學(xué)習(xí)分類

1.根據(jù)學(xué)習(xí)模式將機(jī)器學(xué)習(xí)分類為監(jiān)督學(xué)習(xí)钞艇、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)啄寡。

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)主要應(yīng)用于解決預(yù)測（回歸）和分類問題。目標(biāo)是能夠給新數(shù)據(jù)以正確的標(biāo)簽哩照。

監(jiān)督學(xué)習(xí)過程就是通過已知的樣本數(shù)據(jù)（已知輸入和對應(yīng)的輸出）進(jìn)行模型訓(xùn)練挺物，從而得到一個最優(yōu)的模型，再將新數(shù)據(jù)應(yīng)用到模型上飘弧，進(jìn)行預(yù)測识藤。所以樣本數(shù)據(jù)需要提前劃分為訓(xùn)練集、測試集眯牧。

[圖 4-1 用于監(jiān)督學(xué)習(xí)（比如垃圾郵件分類）的加了標(biāo)簽的訓(xùn)練集]

監(jiān)督學(xué)習(xí)訓(xùn)練數(shù)據(jù)既有特征(feature)又有標(biāo)簽(label)蹋岩，通過訓(xùn)練，讓機(jī)器可以自己找到特征和標(biāo)簽之間的聯(lián)系学少，在面對只有特征沒有標(biāo)簽的數(shù)據(jù)時剪个，可以判斷出標(biāo)簽。分類標(biāo)簽精確度越高版确，學(xué)習(xí)模型的準(zhǔn)確度越高扣囊。監(jiān)督學(xué)習(xí)在自然語言處理、信息檢索绒疗、 文本挖掘侵歇、手寫體辨識、垃圾郵件偵測等領(lǐng)域獲得了廣泛應(yīng)用吓蘑。

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)主要應(yīng)用于解決聚類惕虑、關(guān)聯(lián)問題。樣本數(shù)據(jù)沒有標(biāo)簽磨镶，只有一定的特征溃蔫，目標(biāo)是通過對無標(biāo)記樣本數(shù)據(jù)的學(xué)習(xí)來揭示數(shù)據(jù)的內(nèi)在性質(zhì)及規(guī)律，根據(jù)規(guī)律（特征）推斷分成不同類別琳猫，其分類不必十分準(zhǔn)確伟叛。

[圖 4-2 非監(jiān)督學(xué)習(xí)的一個不加標(biāo)簽的訓(xùn)練集]

無監(jiān)督學(xué)習(xí)常常被用于數(shù)據(jù)挖掘，用于在大量無標(biāo)簽數(shù)據(jù)中發(fā)現(xiàn)些什么脐嫂。例如無監(jiān)督學(xué)習(xí)應(yīng)該能在不給任何額外提示的情況下统刮，僅依據(jù)所有“貓”的圖片的特征紊遵，將“貓”的圖片從大量的各種各樣的圖片中將區(qū)分出來。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)就是算法學(xué)習(xí)如何應(yīng)對環(huán)境侥蒙，目標(biāo)使計算機(jī)獲得對沒學(xué)習(xí)過的問題也可以做出正確解答的泛化能力暗膜。強(qiáng)化學(xué)習(xí)的訓(xùn)練數(shù)據(jù)是無標(biāo)簽的，通過動作辉哥、狀態(tài)和反饋桦山，訓(xùn)練出一系列策略的組合。

強(qiáng)化學(xué)習(xí)過程中強(qiáng)調(diào)外界環(huán)境的反饋醋旦，通過學(xué)習(xí)怎么獲得最大獎勵信號來反復(fù)嘗試直至模型收斂恒水，是一種試錯學(xué)習(xí)。強(qiáng)化學(xué)習(xí)模型核心主要有兩步饲齐，第一就是將獎勵钉凌、損失定義好，第二就是以主體較低成本不斷嘗試捂人，總結(jié)不同狀態(tài)下御雕，獎勵大的工作方式。比如炒菜滥搭，炒菜的過程就是不斷調(diào)整火候酸纲、調(diào)味品多少、原料占比多少瑟匆，在經(jīng)過多次嘗試反饋后闽坡，最終做出自己喜歡的味道。強(qiáng)化學(xué)習(xí)可以應(yīng)用于解決回歸愁溜、分類疾嗅、聚類、降維問題冕象。在機(jī)器人控制代承、無人駕駛、下棋渐扮、工業(yè)控制等領(lǐng)域獲得成功應(yīng)用论悴。

監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)區(qū)別

（1）監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的最大區(qū)別就是樣本數(shù)據(jù)是否打標(biāo)簽，監(jiān)督學(xué)習(xí)的訓(xùn)練數(shù)據(jù)是需要打標(biāo)簽的墓律。

（2）監(jiān)督學(xué)習(xí)解決的是分類意荤、回歸問題，無監(jiān)督學(xué)習(xí)算法解決的是聚類和異常檢測問題只锻。

（3）無監(jiān)督學(xué)習(xí)可以進(jìn)行降維處理，經(jīng)常參與深度學(xué)習(xí)中的特征提取紫谷，監(jiān)督學(xué)習(xí)不可以齐饮。

（4）監(jiān)督學(xué)習(xí)更適合處理獨(dú)立分布的數(shù)據(jù)捐寥，而無監(jiān)督學(xué)習(xí)更適合處理非獨(dú)立分布數(shù)據(jù)，更能挖掘出數(shù)據(jù)的價值祖驱。

（5）監(jiān)督學(xué)習(xí)的分類原因握恳，都是通過人為建模得出的，解釋性差捺僻。無監(jiān)督學(xué)習(xí)的聚類方法有很好的解釋性乡洼，它會告訴你，他們有多少特征有多少一致性匕坯，所以才被聚成一組束昵。

強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)

強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)不同葛峻，它不是利用明確的行為（有標(biāo)簽的訓(xùn)練數(shù)據(jù)）來指導(dǎo)锹雏，而是利用已有的訓(xùn)練信息來對行為進(jìn)行評價。強(qiáng)化學(xué)習(xí)與無監(jiān)督也不同术奖，無監(jiān)督學(xué)習(xí)的本質(zhì)是從一堆未標(biāo)記樣本中發(fā)現(xiàn)隱藏的結(jié)構(gòu)礁遵，而強(qiáng)化學(xué)習(xí)的目的主要是通過學(xué)習(xí)怎么獲得最大獎勵信號來反復(fù)嘗試直至模型收斂。

強(qiáng)化學(xué)習(xí)有哪些缺點(diǎn)：（1）強(qiáng)化學(xué)習(xí)采樣效率低采记，需要消耗大量的時間和資源來準(zhǔn)備數(shù)據(jù)和訓(xùn)練佣耐。（2）強(qiáng)化學(xué)習(xí)的獎勵函數(shù)設(shè)計困難。（3）強(qiáng)化學(xué)習(xí)效果不突出唧龄，用其他方法也能達(dá)到兼砖。

2.根據(jù)學(xué)習(xí)方法可以將機(jī)器學(xué)習(xí)分為傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)

傳統(tǒng)機(jī)器學(xué)習(xí)

傳統(tǒng)機(jī)器學(xué)習(xí)從一些訓(xùn)練樣本出發(fā)，試圖發(fā)現(xiàn)不能通過原理分析獲得的規(guī)律选侨，實(shí)現(xiàn)對未來數(shù)據(jù)行為或趨勢的準(zhǔn)確預(yù)測掖鱼。相關(guān)算法包括邏輯回歸、隱馬爾科夫方法援制、支持向量機(jī)方法戏挡、K?近鄰方法、三層人工神經(jīng)網(wǎng)絡(luò)方法晨仑、Adaboost算法刊橘、貝葉斯方法以及決策樹方法等。

傳統(tǒng)機(jī)器學(xué)習(xí)平衡了學(xué)習(xí)結(jié)果的有效性與學(xué)習(xí)模型的可解釋性约素，為解決有限樣本的學(xué)習(xí)問題提供了一種框架蠢棱，主要用于有限樣本情況下的模式分類、回歸分析答捕、概率密度估計等逝钥。傳統(tǒng)機(jī)器學(xué)習(xí)方法共同的重要理論基礎(chǔ)之一是統(tǒng)計學(xué)，在自然語言處理拱镐、語音識別艘款、圖像識別持际、信息檢 索和生物信息等許多計算機(jī)領(lǐng)域獲得了廣泛應(yīng)用。

深度學(xué)習(xí)

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)研究中的一個新興領(lǐng)域哗咆，源于多層神經(jīng)網(wǎng)絡(luò)蜘欲，深度超過8層的神經(jīng)網(wǎng)絡(luò)才叫深度學(xué)習(xí)。深度學(xué)習(xí)模型包括輸入層晌柬、輸出層姥份、隱藏層，隱藏層數(shù)量越多年碘，越能處理復(fù)雜的問題澈歉。

深度學(xué)習(xí)的實(shí)質(zhì)，是通過構(gòu)建很多隱藏層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)盛泡，來學(xué)習(xí)更有用的特征闷祥，從而最終提升分類或預(yù)測的準(zhǔn)確性。因此傲诵，“深度模型”是手段凯砍，“特征學(xué)習(xí)”是目的。與人工規(guī)則構(gòu)造特征的方法相比拴竹，利用大數(shù)據(jù)來學(xué)習(xí)特征悟衩，更能夠刻畫數(shù)據(jù)的豐富內(nèi)在信息。

[圖4-3 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型（左）與深度學(xué)習(xí)模型（右）]

同傳統(tǒng)機(jī)器學(xué)習(xí)方法一樣栓拜，深度機(jī)器學(xué)習(xí)模式也有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)座泳、強(qiáng)化學(xué)習(xí)之分．不同的學(xué)習(xí)框架下建立的學(xué)習(xí)模型很是不同．例如，卷積神經(jīng)網(wǎng)絡(luò)（CNNs）就是一種深度的監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型幕与，而深度置信網(wǎng)（DBNs）就是一種無監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型挑势。

深度學(xué)習(xí)框架是進(jìn)行深度學(xué)習(xí)的基礎(chǔ)底層框架，一般包含主流的神經(jīng)網(wǎng)絡(luò)算法模型啦鸣，提供穩(wěn)定的深度學(xué)習(xí)?API潮饱，支持訓(xùn)練模型在服務(wù)器和?GPU、TPU?間的分布式學(xué)習(xí)诫给，部分框架還具備在包括移動設(shè)備香拉、云平臺在內(nèi)的多種平臺上運(yùn)行的移植能力，從而為深度學(xué)習(xí)算法帶來前所未有的運(yùn)行速度和實(shí)用性中狂。目前主流的開源算法框架有?TensorFlow凫碌、Caffe/Caffe2、CNTK胃榕、MXNet盛险、Paddle-paddle、Torch/PyTorch、Theano?等枉层。

深度學(xué)習(xí)與多層神經(jīng)網(wǎng)絡(luò)區(qū)別

廣義上說深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)也是多層神經(jīng)網(wǎng)絡(luò)的一種泉褐。傳統(tǒng)意義上的多層神經(jīng)網(wǎng)絡(luò)是只有輸入層、隱藏層鸟蜡、輸出層。其中隱藏層的層數(shù)根據(jù)需要而定挺邀，沒有明確的理論推導(dǎo)來說明到底多少層合適揉忘。

而深度學(xué)習(xí)中最著名的卷積神經(jīng)網(wǎng)絡(luò)CNN，在原來多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上端铛，加入了特征學(xué)習(xí)部分泣矛，這部分是模仿人腦對信號處理上的分級的。簡單來說原來的多層神經(jīng)網(wǎng)絡(luò)禾蚕，特征是人工挑選您朽，深度學(xué)習(xí)，特征是由網(wǎng)絡(luò)自己選擇换淆。

傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)對比

（1）數(shù)據(jù)依賴性：深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)最主要的區(qū)別在于隨著數(shù)據(jù)規(guī)模的增加其性能不斷增長哗总。當(dāng)數(shù)據(jù)很少時，深度學(xué)習(xí)算法的性能并不好倍试。

（2）硬件依賴：GPU時深度學(xué)習(xí)正常工作的必備硬件讯屈，與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)更依賴安裝GPU的高端機(jī)器县习。

（3）特征處理：機(jī)器學(xué)習(xí)算法的性能依賴所提取的特征的準(zhǔn)確度涮母，在傳統(tǒng)機(jī)器學(xué)習(xí)中，多數(shù)應(yīng)用的特征都需要人工確定躁愿。深度學(xué)習(xí)嘗試從數(shù)據(jù)中直接獲取高等級的特征叛本，這也是深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)算法的主要的不同。

（4）問題解決方式：傳統(tǒng)機(jī)器學(xué)習(xí)通常會將問題分解為多個字問題并逐個問題解決彤钟，最后結(jié)合所有自問題的結(jié)果獲得最終結(jié)果来候。深度學(xué)習(xí)提倡直接的端到端的解決問題，會直接將輸入數(shù)據(jù)進(jìn)行運(yùn)算得到輸出結(jié)果样勃。

（5）執(zhí)行時間：深度學(xué)習(xí)算法中的參數(shù)很多吠勘，因此訓(xùn)練一個深度學(xué)習(xí)算法需要很長的時間。最先進(jìn)的深度學(xué)習(xí)算法ResNet完整地訓(xùn)練一次需要消耗2周的時間峡眶，而傳統(tǒng)機(jī)器學(xué)習(xí)的訓(xùn)練只需要幾秒鐘到幾小時的時間剧防。

（6）可解釋性：深度學(xué)習(xí)節(jié)點(diǎn)和層方面的超參數(shù)依然很神秘，無法解釋為何得出這樣的結(jié)果辫樱。

3.此外峭拘，機(jī)器學(xué)習(xí)的常見算法還包括遷移學(xué)習(xí)、對抗學(xué)習(xí)等。

遷移學(xué)習(xí)

遷移學(xué)習(xí)是指當(dāng)在某些領(lǐng)域無法取得足夠多的數(shù)據(jù)進(jìn)行模型訓(xùn)練時鸡挠，利用另 一領(lǐng)域數(shù)據(jù)獲得的關(guān)系進(jìn)行的學(xué)習(xí)辉饱。遷移學(xué)習(xí)可以把已訓(xùn)練好的模型參數(shù)遷移到新的模型指導(dǎo)新模型訓(xùn)練，可以更有效的學(xué)習(xí)底層規(guī)則拣展、減少數(shù)據(jù)量彭沼。遷移學(xué)習(xí)意味著從復(fù)雜遷移到簡單，而不是從一個邏輯系統(tǒng)遷移到另一個邏輯系統(tǒng)备埃。

目前的遷移學(xué)習(xí)技術(shù)主要在變量有限的小規(guī)模應(yīng)用中使用姓惑，如基于傳感器網(wǎng)絡(luò)的定位，文字分類和圖像分類等按脚。未來遷移學(xué)習(xí)將被廣泛應(yīng)用于解決更有挑戰(zhàn)性的問題于毙，如視頻分類、社交網(wǎng)絡(luò)分析辅搬、邏輯推理等唯沮。

對抗學(xué)習(xí)

對抗學(xué)習(xí)是深度學(xué)習(xí)的分支，是當(dāng)下比較熱門的研究項目堪遂，目前的對抗學(xué)習(xí)主要是指生成對抗網(wǎng)絡(luò)（GAN)介蛉。

生成對抗網(wǎng)絡(luò)（GAN）的思想是一種二人零和博弈思想，博弈雙方的利益之和是一定蚤氏。GAN中有兩個這樣的博弈者甘耿，一個人名字是生成模型(G)，另一個人名字是判別模型(D)竿滨，它們各自有各自的功能佳恬。在訓(xùn)練中，判別模型盡可能提取特征正確率增加的模型于游，判斷樣本是真實(shí)的還是假樣本毁葱，生成模型盡可能“偽造”樣本，讓判別模型以為是真的結(jié)果贰剥。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? [圖4-1 對抗網(wǎng)絡(luò)模型]

生成對抗網(wǎng)絡(luò)中倾剿，判別器是監(jiān)督學(xué)習(xí)，處理真假分類問題蚌成，生成器屬于無監(jiān)督學(xué)習(xí)前痘，處理聚類問題，生成擁有真實(shí)數(shù)據(jù)特征的數(shù)據(jù)担忧。

五芹缔、深度學(xué)習(xí)與特征工程

人們發(fā)現(xiàn)機(jī)器學(xué)習(xí)算法的性能，很大程度上依賴于數(shù)據(jù)的特征瓶盛，特征選取的結(jié)果決定了最終的學(xué)習(xí)效果最欠。

傳統(tǒng)機(jī)器學(xué)習(xí)的特征示罗，都是依賴于人為給定的，依靠人工為一個復(fù)雜的場景設(shè)計特征需要消耗大量的人工和時間芝硬。同時蚜点，很多情況下特征往往是不能被直接觀察到的，從原始數(shù)據(jù)中提取抽象的特征是極其困難的拌阴，于是人們發(fā)明了深度學(xué)習(xí)绍绘，使用深度學(xué)習(xí)來挖掘出特征本身，這也是深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的主要區(qū)別迟赃。常用的特征提取的方法有：主成分分析（PCA）和線性判別分析（LDA）脯倒。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?[圖5-1 深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)流程]

參考文章

【1】人工智能產(chǎn)品經(jīng)理-AI時代PM修煉手冊

【2】人工智能標(biāo)準(zhǔn)化白皮書

【3】小白也能讀懂的機(jī)器學(xué)習(xí)入門指南

【4】機(jī)器學(xué)習(xí)中無監(jiān)督與監(jiān)督學(xué)習(xí)的七大區(qū)別

【5】機(jī)器學(xué)習(xí)初學(xué)者必須知道的十大算法