译文｜设计师需要了解的机器学习基础知识

由于机器学习现在比以往任何时候都更容易获得，设计师今天有机会思考如何将机器学习应用于改进他们的产品。设计师应该能够与软件开发人员讨论什么是可能的，如何准备，以及预期的结果。

视频推荐是如何被影响的基本概述

2. 识别异常

机器学习能有效的发现异常内容，信用卡公司用它来检测欺诈行为，电子邮件提供商用它来检测垃圾邮件，社交媒体公司用它来检测非法言论。

3. 创造新的互动方式

机器学习使计算机能够开始理解我们所说的话（自然语言处理）和我们看到的东西（计算机视觉）。这让Siri可以理解“Siri，设置一个提醒……”，谷歌照片可以为你的狗创建相册，Facebook可以为视障人士描述一张照片。

4. 提供见解

机器学习也有助于理解用户是如何分组的，然后，可以使用这种洞察力逐个分组分析。从这里开始，可以跨组评估不同的特性，或者只向特定的用户组进行推送。

5. 准备内容

机器学习使得我们能够预测用户接下来的行为成为可能，了解到这一点，我们就可以为用户的下一步行动做好准备。例如：如果我们可以预测用户打算查看什么内容，我们可以预加载该内容，以便在用户需要时立即准备好。

二、机器学习的类型

译者注：以下这些内容，可能比较难懂，有兴趣的可以结合百度百科或谷歌资料来看。不过，个人认为看不懂也没太大关系，先有一些基本的认识即可，循序渐进的去研究。另外，我在搜狐上有找到一篇文章，写的比较通俗易懂些，有兴趣的可以去看看，链接是：https://www.sohu.com/a/150444351_697750

根据不同应用和不同数据，有几种不同类型的机器学习算法可供选择。下面，我就逐个介绍这些类型。

1. 监督学习

监督学习允许我们使用正确标记的数据进行预测，标记数据是一组具有信息标签或输出的示例。例如：带有相关标签的照片或房屋特征（卧室的数量、位置）和价格。

通过使用监督学习，我们可以为标记数据添加一条线，该线可以将数据分成不同的类别，也可以表示数据的趋势。利用这条线，我们可以对新的数据做出预测。例如：我们可以查看新照片并预测标签，或者查看新房子的特性并预测其价格。

如果我们要预测的输出是一个标签或值的列表，我们称之为分类。如果我们试图预测的输出是一个数字，我们称之为回归。

2. 无监督学习

当我们有未标记的数据或者我们不确定哪些输出（比如：图像的标签或房子的价格）是有意义的时候，无监督学习是有用的。相反，我们可以在未标记的数据中识别模式。例如：我们可以识别电商网站上的相关商品，或者根据其他购买类似产品的人向他们推荐产品。

如果模式是一个组，我们称之为集群。如果模式是一个规则（比如：这个、那个），我们称之为关联。

3. 强化学习

强化学习不使用现有的数据集。相反，我们创建了一个代理，通过在一个被奖励强化的环境中反复试验来收集自己的数据。例如：可以把这个代理当成马里奥，收集硬币得到积极的奖励或者踩到陷阱得到消极的反馈。

强化学习的灵感来自于人类学习的方式，并且已经证明是一种有效的教学方法。具体来说，强化在训练计算机玩Go和Dota等游戏方面非常有效。

三、需要考虑的事情

1. 可行的方法是什么?

理解你正在尝试解决的问题和可用的数据，将限制你能够使用的机器学习类型（例如：使用监督学习识别图像中的对象需要一个标记的图像数据集）。然而，约束是创造力的结晶。在某些情况下，你可以着手收集尚未可用的数据，或者考虑其他方法。

2. 误差范围是多少？

尽管机器学习是一门科学，但它也有误差，考虑用户的体验，如何受到这个误差的影响很重要。例如：当一辆无人驾驶汽车无法识别周围环境时，人们可能会受伤。

3. 是否值得？

尽管机器学习从未像今天这样容易获得，但它仍然需要将额外的资源（开发人员和时间）集成到产品中。这就使得我们有必要思考一下，由此产生的影响是否平衡了实施所需的资源数量。

总结

我写的这些内容甚至都没能触及机器学习的冰山一角，但希望能从这篇文章出发，你能更轻松地思考如何将机器学习应用到你的产品上。如果你有兴趣学习更多关于机器学习的知识，这里有一些有用的资源:

1. 为人类而生的机器学习（https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12）——通俗易懂，内容中会有一些数学，代码和现实中的例子；
2. 机器学习算法：为你的问题选择何种方法（https://blog.statsbot.co/machine-learning-algorithms-183cc73197c）——为选择一个机器学习算法来应用于某个具体问题的开发技巧；
3. 有趣的机器学习（https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471）—— 偏技术性文章，主要介绍如何实现一个机器学习示例；
4. 由3Blue1Brown提供的神经网络（https://www.youtube.com/playlist?list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi） ——一系列有吸引力的Youtube技术视频，它们讲的内容贯穿神经网络以及它们的工作方式；
5. Andrew Ng的机器学习课程（https://www.coursera.org/learn/machine-learning）——超高质量的技术课程，涵盖了机器学习的众多领域。

原文链接：https://uxdesign.cc/an-intro-to-machine-learning-for-designers-5c74ba100257

原文作者：Sam Drozdov

译者：彩云Sky，公众号：彩云译设计

关键字：设计师

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！