《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。