机器学习基础
技术核心定义
机器学习是让计算机从数据中自动学习规律并做出预测或决策的技术。根据训练数据是否有标签，可分为 监督学习（有标签，如分类、回归）、 无监督学习（无标签，如聚类、降维）和 强化学习（通过奖励信号学习最优策略）三大范式。 分类输出离散类别（如判断垃圾邮件），回归输出连续数值（如预测房价）。 过拟合是模型在训练集表现好但泛化差，欠拟合则是连训练集都学不好。 特征工程是从原始数据中提取对模型有用的特征，传统ML中决定了效果上限。
PM需要理解不同学习范式的适用场景，才能判断"这个问题能不能用AI解决"、"需要什么样的数据"。
特征工程的思维方式在AI产品设计中依然重要——你给模型喂什么数据，决定了它能产出什么质量。
过拟合/欠拟合的概念帮助你理解"为什么demo效果很好，上线就翻车"。
- 决策性AI vs 生成性AI：推荐系统属于决策性AI（基于用户行为做决策推荐），大模型属于生成性AI；课程重点聚焦生成性AI，但决策性AI经验（如推荐算法）也是AI PM的重要加分项【课6】
- 传统推荐算法演进：内容相似度→用户属性相似度→协同过滤→隐语义算法，逐步提升个性化和准确度；隐语义算法与大模型原理有相通之处，均通过计算元素间关系得出结论【课6】
- 数据是AI的基石：产品应尽可能多收集用户数据（行为、属性、社交关系），数据质量决定模型上限；数据处理流程：收集→筛选（去无效/业务专家把关）→合成（大模型扩写）→格式化（JSON等统一格式）【课6】
课程对应：课6《大模型产品开发中的数据准备与反馈闭环》
核心概念补充
神经网络（Neural Network）
大模型的"大脑结构"，由无数神经元通过不同权重连接而成。模型的所有"知识"都存储在连接关系里——就像城市交通网，输入一个词会沿着街道点亮相关联的词语节点。
自监督学习（Self-supervised Learning）
让模型自己出题自己做的学习方式，比如遮住句子里的词让模型猜。大模型预训练的主流方法，极大降低了对人工标注数据的依赖。
强化学习（Reinforcement Learning）
像训练小狗一样，智能体在环境中不断试错，通过奖励/惩罚反馈学习最优策略。RLHF（人类反馈强化学习）就是用它来让大模型对齐人类偏好的。
双盲测试（Double-blind Test）
评估AI产出质量是否"以假乱真"的严格方法——测评者不知道哪份是AI、哪份是真人，看能否分辨出来。比专家主观评价更客观。
AI 产品经理不需要会写算法，但要理解每种技术的"边界"和"成本结构"——
什么时候该用什么、什么时候不该用、用了之后要付出什么代价。
做 AI 产品的第一步不是想 AI 能做什么，而是想清楚 AI 做不了什么，把做不了的部分用规则、人工、兜底补上。
推荐系统核心概念
内容相似度
根据内容标签计算向量空间距离，距离越近越相似。属于"基于内容的推荐"——你看了什么，就给你推类似的。
用户画像
通过注册信息（年龄/性别/地域）+ 行为数据（点赞/搜索/购买）生成特征档案，是个性化推荐的基础。
协同过滤
"物以类聚、人以群分"的推荐思想。分两种：基于用户（找相似用户群推他们喜欢的）、基于物品（分析物品关联性，"买了又买"）。
隐语义模型（LFM）
通过机器学习从行为数据中自动挖掘隐含的兴趣主题，不依赖人工标签。比协同过滤更高级，能发现人想不到的关联。
推荐系统演化路径（面试必备）
L1 规则/标签推荐：人工配置规则 + 内容标签匹配，简单可控但个性化弱，适合冷启动期。
L2 协同过滤：基于用户行为数据计算相似度，效果随数据量增长而提升，但有冷启动问题和信息茧房问题。
L3 机器学习排序：引入 LR/GBDT/深度学习等模型，多特征融合排序，点击率/转化率预测更精准。
L4 大模型推荐：LLM 理解用户意图和内容语义，做"推理式推荐"——不仅推相似的，还能理解为什么、解释推荐理由、做对话式推荐。
💡 面试时讲自己项目的推荐系统，能讲清楚"为什么从L1升级到L2/L3、解决了什么问题、带来了什么指标提升"，就很有说服力。
💬 面试高频考察
- 你负责的产品用了什么机器学习方法？为什么选择这个方案？
- 怎么向非技术背景的人解释过拟合和欠拟合？
- 一个AI功能上线后效果不如预期，你会从哪些维度排查？
- 强化学习适合解决什么类型的产品问题？请举例。