产品经理之深度学习促进产品(二)

产品经理之深度学习促进产品(二) 案例一 阿里巴巴

1. 电子商务公司阿里巴巴通过大数据技术获取企业交易数据，自动分析和预测是否增加对企业的贷款，整个过程没有人工介入，全部为自动化处理。
2. 到目前为止，阿里巴巴给企业的贷款早就超过了50亿美元，其中百分之0.3的坏账率。

案例二 健康和医疗应用

1. 医药数据包含大量的各类有价值的信息，数据具有无限潜能。大数据和物联网正在彻底改变健康企业。传感器收集病人的数据，分析并通过无线网络传输这些数据。同时，我们需要一个监控界面来提供丰富的用户界面。健康云和统计方法是一个极好的盈利模式。

2. 早在2007年的时候，微软的HealthVault就开辟了医疗大数据的杰出应用范例，其目标是管理个人的健康信息和家庭医疗设备。

3. 纽约的mount sinai医疗中心通过采用大数据公司的技术分析并学习大肠杆菌所有的遗传序列，包括超过100万个DNA变异，揭示了细菌产生耐药性的原因。其价值难以想象。

机器学习之svm

机器学习中 学习分为监督式学习，无监督学习和半监督学习和强化学习。

1. 其中支持向量机是一个功能强大并且全面的机器学习模型，起先并不属于深度学习这个范畴，而实际上，深度学习应该是包含所有学习方式的综合运用。
2. svm特别适合中小型复杂数据的分类。产品在设计的时候，就应该全局考虑到哪里一部分可以使用支持向量机，如果不懂svm，显然是没法设计的。
3. SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，在人像识别、文本分类等模式识别（pattern recognition）问题中有得到应用。

数字识别是完全可以应用svm技术的，又如交通工程的标牌识别完全可以应用svm，对于程序员来讲，实践是最好的理解，但是一定要懂得原理，否则应用不佳，对于产品经理来讲，尤其要熟悉案例，如何应用，并且如果从中找到盈利模式，那更加需要炉火纯青的清晰思路。

简单而深刻的理解过程

1. 识别都是需要特征的，尤其是人的眼睛，人的大脑就是数据库，眼睛犹如摄像头，快速从数据库中取出特征匹配就是整个识别过程，2中我们举个案例。
2. 我们的一个产品可以从国标（sip）中或者rtsp协议等的摄像头中获取视频编码，其一般都是h264或者h265，解码后形成yuv再到RGB
3. 而我们假定不需要颜色的识别，那就将图变成灰度，这个过程程序员尤其熟悉，可以这样理解，即使是黑白的图像，我相信你的眼睛也能分辨出里面是一个苹果还是一个梨
4. 因为苹果和梨的特征在你的大脑中有存储， 图像得到后，就可以从你脑中得到苹果和梨的最简单特征图，这个特征一定是简单的几个弯曲的线条。这个弯曲 这边就很重要了。
5. 所以如果你熟悉案例，就知道数字或者字母甚至一副图像的转折点其实都是特征。如果你深刻理解这一点，你大脑中存留的苹果和梨其实就是几个弯曲的曲线组合。
6. 数字1 和数字2 的案例：1 几乎没有转则，从上到下是直的，2 有两处较大的转则，理解了吗？这就是特征分类。没有和有是一种分类，有几个转折是一种分类。比例是一种分类。相信你已经理解了。

以上就是理解svm过程，如果你懂得这一点，至少可以敏感地捕捉到产品中可运用的地方，以此来举一反三。 后面的文章我们会说更多的机器学习方法，由此来过渡到深度学习。希望大家喜欢。