001-003 产品经理-ML应用构建-ML应用范围
时间：2025年09月08日14:48:01
备注：笔记回顾和复习，仅用于分享而非商用，引用内容若侵权请联系并删除。
文章目录
- 001-003 产品经理-ML应用构建-ML应用范围
- 导引 学习法则
- 1 内容索引 产品经理-ML应用构建-ML应用范围 001-003
- 1.1 课程来源：
- [ Building Machine Learning Powered Applications](https://learning.oreilly.com/library/view/building-machine-learning/9781492045106/)
- 1.2 具体涉及节（序号源于个人初始笔记排序）
- 2 提问问题：
- 2.1 我要做一个端到端ML产品，全流程如何？
- 2.2 如果函数式响应即可得到答案，为什么要黑盒响应？
- 3 内容回答的问题
- 3.1 分享构建 ML 驱动的应用程序的分步实用指南。它很实用，侧重于帮助您原型化、迭代和部署模型的具体技巧和方法。因为它涵盖了广泛的主题。同时是产生价值的产品，“*机器学习驱动的写作助手*”。
- 提供：每章节可回顾 （原型化、迭代和部署模型）方法、技巧；经验教训；解决方案；
- 价值体现：文本数据多、协作助手有用 、ML辅助学习是独立
- 产品信息
- 3.2 学习 ML 的最佳方法是练习它，因此我鼓励您阅读本书，重现这些示例并对其进行调整以构建您自己的 ML 驱动的应用程序。
- 3.3 The ML Process ML 过程：想法 到 部署
- 3.3.0 前置：目标
- 3.3.1 确定正确的 ML 方法：
- 3.3.2 构建初始原型：
- 3.3.3 迭代模型 ：
- 3.3.4 部署和监控：
- 4 成果巩固位置
导引 学习法则
学习法则
1、对标题的疑问，在文中得到解答了吗？
2、文中答案解释了哪些问题？
3、在上下游中哪个节点
学习是为了解决问题，而非数据冗余堆积。警惕堆积的数据
4、成果导向：巩固哪些能力、是否最优先级/知识补充、有无更好方法进行成果推进
1 内容索引 产品经理-ML应用构建-ML应用范围 001-003
1.1 课程来源：
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 具体涉及节（序号源于个人初始笔记排序）
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。 从产品目标到机器学习框架
004 0812 莫妮卡·罗加蒂：如何选择机器学习项目并确定其优先级.md
2 提问问题：
2.1 我要做一个端到端ML产品，全流程如何？
个人初步：ml部分判断。ml类型+数据准备+模型初始选择+数据处理和迭代（指标验证）+部署；产品部分判断：为什么是一个问题、是否需要解决、当下是否最优先级、用传统/ml方法构建；
具体：
判断ml类型，是连续预测、判断、趋势、推荐？数据集
数据准备：费用、数据情况（有无标签）、来源
模型：回归等
处理和迭代：基础数据流通、数据处理、目标数据贴近迭代、周期性数据训练、
评估：方差、偏差、召回率、拟合情况
产品情况：市场同类产品实现目标
北极星指标：财报查看
2.2 如果函数式响应即可得到答案，为什么要黑盒响应？
个人初步：为了快速且相对准确得到答案。因为，如果数据全备且存在标签，完全得到答案是个可能，问题在于数据量巨大而使用算法可以减少中间层（确切函数）构建的人力花销。所以需要使用黑盒响应得到相对答案。 同时预测未来，对于白盒的需求，也许有反向构建确切推演系统的回溯式开发。
3 内容回答的问题
3.1 分享构建 ML 驱动的应用程序的分步实用指南。它很实用，侧重于帮助您原型化、迭代和部署模型的具体技巧和方法。因为它涵盖了广泛的主题。同时是产生价值的产品，“机器学习驱动的写作助手”。
提供：每章节可回顾 （原型化、迭代和部署模型）方法、技巧；经验教训；解决方案；
价值体现：文本数据多、协作助手有用 、ML辅助学习是独立
产品信息
目标:构建一个系统，帮助用户更好地写作,写出更好的问题。
项目范围:待定
3.2 学习 ML 的最佳方法是练习它，因此我鼓励您阅读本书，重现这些示例并对其进行调整以构建您自己的 ML 驱动的应用程序。
因此：具体例子的运行。实际运行中由于老旧调用库，需要调整代码才能运行。
3.3 The ML Process ML 过程：想法 到 部署
3.3.0 前置：目标
3.3.1 确定正确的 ML 方法：
语言：综合考虑因素（成功标准、数据可用性和任务复杂性），得到实现产品目标的多种方法 。
技术：设定正确的成功标准+确定适当的（初始数据集和模型选择）
3.3.2 构建初始原型：
语言：数据流通的产品原型，程序如何使用。（而非ml目标）；最后确认是否需要Ml，需要则数据集收集。
技术：数据流向原型，是否需要ml，需要则数据集。
3.3.3 迭代模型 ：
语言：基于数据集的模型训练，允许错误并评估。循环迭代。
3.3.4 部署和监控：
4 成果巩固位置
产品经理能力：问题定义
AI产品：流程、涉及最佳实践
)
