001-003 產品經理-ML應用構建-ML應用范圍
時間：2025年09月08日14:48:01
備注：筆記回顧和復習，僅用于分享而非商用，引用內容若侵權請聯系并刪除。
文章目錄
- 001-003 產品經理-ML應用構建-ML應用范圍
- 導引 學習法則
- 1 內容索引 產品經理-ML應用構建-ML應用范圍 001-003
- 1.1 課程來源：
- [ Building Machine Learning Powered Applications](https://learning.oreilly.com/library/view/building-machine-learning/9781492045106/)
- 1.2 具體涉及節（序號源于個人初始筆記排序）
- 2 提問問題：
- 2.1 我要做一個端到端ML產品，全流程如何？
- 2.2 如果函數式響應即可得到答案，為什么要黑盒響應？
- 3 內容回答的問題
- 3.1 分享構建 ML 驅動的應用程序的分步實用指南。它很實用，側重于幫助您原型化、迭代和部署模型的具體技巧和方法。因為它涵蓋了廣泛的主題。同時是產生價值的產品，“*機器學習驅動的寫作助手*”。
- 提供：每章節可回顧 （原型化、迭代和部署模型）方法、技巧；經驗教訓；解決方案；
- 價值體現：文本數據多、協作助手有用 、ML輔助學習是獨立
- 產品信息
- 3.2 學習 ML 的最佳方法是練習它，因此我鼓勵您閱讀本書，重現這些示例并對其進行調整以構建您自己的 ML 驅動的應用程序。
- 3.3 The ML Process ML 過程：想法 到 部署
- 3.3.0 前置：目標
- 3.3.1 確定正確的 ML 方法：
- 3.3.2 構建初始原型：
- 3.3.3 迭代模型 ：
- 3.3.4 部署和監控：
- 4 成果鞏固位置
導引 學習法則
學習法則
1、對標題的疑問，在文中得到解答了嗎？
2、文中答案解釋了哪些問題？
3、在上下游中哪個節點
學習是為了解決問題，而非數據冗余堆積。警惕堆積的數據
4、成果導向：鞏固哪些能力、是否最優先級/知識補充、有無更好方法進行成果推進
1 內容索引 產品經理-ML應用構建-ML應用范圍 001-003
1.1 課程來源：
Building Machine Learning Powered Applications
[Emmanuel Ameisen](https://learning.oreilly.com/search/?query=author%3A"Emmanuel Ameisen"&sort=relevance&highlight=true)
Published by O’Reilly Media, Inc.
1.2 具體涉及節（序號源于個人初始筆記排序）
001 Part I. Find the Correct ML Approach
002 Our Case Study: ML–Assisted Writing
003 Chapter 1. From Product Goal to ML Framing 第 1 章。 從產品目標到機器學習框架
004 0812 莫妮卡·羅加蒂：如何選擇機器學習項目并確定其優先級.md
2 提問問題：
2.1 我要做一個端到端ML產品，全流程如何？
個人初步：ml部分判斷。ml類型+數據準備+模型初始選擇+數據處理和迭代（指標驗證）+部署；產品部分判斷：為什么是一個問題、是否需要解決、當下是否最優先級、用傳統/ml方法構建；
具體：
判斷ml類型，是連續預測、判斷、趨勢、推薦？數據集
數據準備：費用、數據情況（有無標簽）、來源
模型：回歸等
處理和迭代：基礎數據流通、數據處理、目標數據貼近迭代、周期性數據訓練、
評估：方差、偏差、召回率、擬合情況
產品情況：市場同類產品實現目標
北極星指標：財報查看
2.2 如果函數式響應即可得到答案，為什么要黑盒響應？
個人初步：為了快速且相對準確得到答案。因為，如果數據全備且存在標簽，完全得到答案是個可能，問題在于數據量巨大而使用算法可以減少中間層（確切函數）構建的人力花銷。所以需要使用黑盒響應得到相對答案。 同時預測未來，對于白盒的需求，也許有反向構建確切推演系統的回溯式開發。
3 內容回答的問題
3.1 分享構建 ML 驅動的應用程序的分步實用指南。它很實用，側重于幫助您原型化、迭代和部署模型的具體技巧和方法。因為它涵蓋了廣泛的主題。同時是產生價值的產品，“機器學習驅動的寫作助手”。
提供：每章節可回顧 （原型化、迭代和部署模型）方法、技巧；經驗教訓；解決方案；
價值體現：文本數據多、協作助手有用 、ML輔助學習是獨立
產品信息
目標:構建一個系統，幫助用戶更好地寫作,寫出更好的問題。
項目范圍:待定
3.2 學習 ML 的最佳方法是練習它，因此我鼓勵您閱讀本書，重現這些示例并對其進行調整以構建您自己的 ML 驅動的應用程序。
因此：具體例子的運行。實際運行中由于老舊調用庫，需要調整代碼才能運行。
3.3 The ML Process ML 過程：想法 到 部署
3.3.0 前置：目標
3.3.1 確定正確的 ML 方法：
語言：綜合考慮因素（成功標準、數據可用性和任務復雜性），得到實現產品目標的多種方法 。
技術：設定正確的成功標準+確定適當的（初始數據集和模型選擇）
3.3.2 構建初始原型：
語言：數據流通的產品原型，程序如何使用。（而非ml目標）；最后確認是否需要Ml，需要則數據集收集。
技術：數據流向原型，是否需要ml，需要則數據集。
3.3.3 迭代模型 ：
語言：基于數據集的模型訓練，允許錯誤并評估。循環迭代。
3.3.4 部署和監控：
4 成果鞏固位置
產品經理能力：問題定義
AI產品：流程、涉及最佳實踐
)
