成为 AI 产品经理
刘海丰
京东高级架构师
3656 人已学习
立即订阅
登录后,你可以任选4讲全文学习
推荐试读
换一换
01 | 行业视角:产品经理眼中的人工智能
02 | 个人视角:成为AI产品经理,要先搞定这两个问题
04 | 过来人讲:成为AI产品经理的两条路径
课程目录
已完结/共 38 讲
开篇词 (1讲)
开篇词 | 你好,产品经理!你的未来价值壁垒在哪儿?
知己知彼,AI和AI产品经理 (4讲)
01 | 行业视角:产品经理眼中的人工智能
02 | 个人视角:成为AI产品经理,要先搞定这两个问题
03 | 技术视角:AI产品经理需要懂的技术全景图
04 | 过来人讲:成为AI产品经理的两条路径
项目管控能力篇 (3讲)
05 | 通过一个 AI 产品的落地,掌握产品经理工作全流程
06 | AI 模型的构建过程是怎样的?(上)
07 | AI模型的构建过程是怎样的(下)
算法技术能力篇 (11讲)
08 | 算法全景图:AI产品经理必须要懂的算法有哪些?
09 | K近邻算法:机器学习入门必学算法
10 | 线性回归:教你预测,投放多少广告带来的收益最大
11 | 逻辑回归:如何预测用户是否会购买商品?
12 | 朴素贝叶斯:让AI告诉你,航班延误险该不该买?
13 | 决策树与随机森林:如何预测用户会不会违约?
14 | 支持向量机:怎么预测股票市场的涨与跌?
15 | K-means 聚类算法:如何挖掘高价值用户?
期中答疑 | AI产品经理热门问题答疑合集
期中周测试题 ,你做对了吗?
16 | 深度学习:当今最火的机器学习技术,你一定要知道
模型评估能力篇 (9讲)
17 | 模型评估:从一个失控的项目看优秀的产品经理如何评估AI模型?
18 | 核心技能:产品经理评估模型需要关注哪些指标?
19 | 模型性能评估(一):从信用评分产品看什么是混淆矩阵?
20 | 模型性能评估(二):从信用评分产品看什么是KS、AUC?
21 | 模型性能评估(三):从股价预测产品看回归算法常用的评估指标
22 | 模型稳定性评估:如何用PSI来评估信用评分产品的稳定性?
春节加餐1 | 用户增长模型:怎么利用AI技术判断新渠道性价比?
春节加餐2 | 一次答疑,带你回顾模型评估的所有基础概念
23 | 模型监控:产品经理如何建设算法模型监控指标体系?
AI项目实践篇 (6讲)
24 | 推荐类产品(一):推荐系统产品经理的工作职责与必备技能
25 | 推荐类产品(二):从0打造电商个性化推荐系统产品
26 | 预测类产品(一):用户复购意向预测的底层逻辑是什么?
27 | 预测类产品(二):从0打造一款预测用户复购意向的产品
28 | 预测类产品(三):从0打造一款“大白信用评分产品”
29 | 自然语言处理产品:从0打造一款智能客服产品
认知升级篇 (2讲)
30 | AI产品经理,你该如何提升自己的价值?
31 | AI产品经理面试,这些问题你必须会答!
结束语 (2讲)
结束语 | 唯一不变的,就是变化本身!
期末考试 | “AI产品经理”100分试卷等你来挑战!
成为 AI 产品经理
15
15
1.0x
00:00/00:00
登录|注册
开通超级会员可免费学习本课程,还可解锁海量内容免费学特权。

期中答疑 | AI产品经理热门问题答疑合集

你好,我是海丰。
到今天为止,我们的课程已经更新过半了。我非常开心看到很多同学一直在坚持留言,认真回答课后问题。不过,我也发现,不少同学已经慢慢掉队了,有的人是想要拿出大块的时间来学习,有的人是遇到问题之后没有解决,进度就停下了,总之是积累了很多的课程没有学习。
从今天开始,我们就进入期中周了。首先,我会整理出一些关注度比较高的课后问题,在这里进行统一的解答,其次,我还准备了一道问答题,通过解决它,希望能帮助你对前半程学过的知识进行梳理,查缺补漏。
我先给你准备一份学习指南:首先,关注度比较高的问题我分成了三类,分别是关于产品岗位、关于技术边界,以及关于项目流程的问题。你可以结合我下面的分类,直接去找对应的问题答案。如果你还有其他的疑问,也可以在留言区提问,我都会尽力解答。然后,你可以集中精力去做我留下的问答题,问答题的解决思路我会在周五进行更新,记得准时来看。
话不多说,直接进入今天的答疑吧!

关于产品岗位

问题 1:如何快速建立对一个行业的结构认知?

想要快速对一个行业有整体的宏观认知,可以先从这个行业的产业链入手,了解这个产业中一个完整的价值创造过程是怎样的,行业里有哪些头尾部公司。获取这些产业认知内容的途径,我总结了一下,一般有 3 种方式:
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/1000字
划线
笔记
复制
01 | 行业视角:产品经理眼中的人工智能
02 | 个人视角:成为AI产品经理,要先搞定这两个问题
04 | 过来人讲:成为AI产品经理的两条路径
11 | 逻辑回归:如何预测用户是否会购买商品?
12 | 朴素贝叶斯:让AI告诉你,航班延误险该不该买?
20 | 模型性能评估(二):从信用评分产品看什么是KS、AUC?
开通超级会员免费畅看本课程
开通会员
该文章仅可免费阅读部分内容,如需阅读完整文章,请开通超级会员或单独购买本课程。
登录 后留言

精选留言(7)

  • 珊羽
    看了一眼评论,我觉得大部分人都陷入了技术思维,我个人认为这个问题应该要从产品经理的视角来思考,从整个产品设计流程来看,模型选择只是其中的一部分,而不是产品经理关注的全部。
    1、产品目标:过滤垃圾评论
    2、具体需求:通过算法模型来找出垃圾评论,并过滤掉
    3、算法(这部分可以与算法同学沟通)
    (1)定义目标变量:即是否垃圾评论
    (2)定义垃圾评论:即什么是垃圾评论,如广告?
    (3)算法选型:这个问题本质上是个分类问题,可以通过聚类算法对评论进行分类,找出垃圾评论
    (4)确定样本:选定一部分数据,如果是有监督的学习需进行标注,如果是无监督学习则不需要标注,这里要根据算法同学最终选定的模型来定
    (5)训练模型
    (6)验证模型
    4、系统工程侧的开发任务:即模型的运用,模型上线后,工程侧的同学如何通过模型过滤垃圾评论
    5、核心指标:即算法最终要达成的目标
    2021-03-17
    13
  • 悠悠
    1、用聚类算法将海量的评论进行分类;
    2、对分类的评论进行标注,是否为垃圾评论;
    3、用朴素贝叶斯训练模型。
    2021-01-18
    6
  • 悠悠
    期待后面的项目,希望能转成功
    2021-01-18
    2
  • BAYBREEZE
    我看到这些算法,和数据挖掘的算法是一样的,让我差点把AI与数据挖掘搞混了。
    请问老师,机器学习和数据挖掘的区别是什么呢,都是一样的算法情况下,还有哪些区别?
    望回复
    2021-01-21
    1
  • Pale Blue
    假如,你现在是一家电商平台的产品经理,负责点评系统的产品设计,现在有一个需求是要通过计算将海量评论中的垃圾评论(如,打广告的情况)过滤出来,你会怎么思考和设计产品呢?
    1. 目标:过滤垃圾评论
    2. 用算法模型过滤掉垃圾评论
    3.实现步骤:
       (1)定义垃圾评论
       (2)数据处理阶段:针对评论文本数据进行处理,进行分词->计算词权重->去掉停用词(https://baike.baidu.com/item/tf-idf/8816134?fr=aladdin)
       (3)使用朴素贝叶斯分类器,并且进行训练
       (4)验证分类模型
    2021-09-21
  • 阿小
    首先,业务需求沟通,1)明确垃圾评论的定义、是否有初步的分类想法,是否有关键词规则等;是否有数据标注?判定可容忍的误差范围等。2)过滤后是否需要处置?3)周期有多长?
    其次,明确业务的分类目标和项目周期后,和算法同学进行沟通,就实际数据情况、业务效果预期进行算法设计讨论、例如如果是有标注的二分类问题可以用TextCNN、无标注则考虑用K- Means等,当然文本类数据需要做命名实体识别等处理。同工程化产品研发的同学讨论实际分类后的处置实现,例如如果期望基于某个分类自动回复等。
    接着,在算法同学出来算法预研方案后制定产品计划,跟进产品、算法研发进度。
    最后,验收模型、产品,发版。
    2021-04-07
    1
  • Yesss!
    首先考虑的是:项目周期是否紧张、相关算法资源是否充足。我假设这里是以节省成本以最优法进行解释:
    1、这是一个分类问题
    2、可以用我学过的 k-means 算法 进行分类。随意采取几个质心 - 计算每个数据点与质心的距离 -均值作为下一个质心的位置 - 新质心与老质心距离不再变化或小于某一个阈值。结束算法。筛选出文本聚类
    选择k-means原因:运算效率高、可解释性强、容易实现、大部分聚类都能解决
    3、使用朴素贝叶斯算法(适合垃圾评论分类)-查看了悠悠的评论
    选择朴素贝叶碎算法原因:算法资源占用不高、构建模型快。评论属于互相独立性比较高的数据
    2021-01-31
收起评论
7
返回
顶部