学完前两课，我对AI能做什么、不能做什么，大概有了个模糊的轮廓。
这次讲课的Andrew教授没有继续讲概念，而是挨个拆解了不同岗位正在被AI改变的方式——销售、招聘、市场营销、制造业、农业……
这次的笔记，就围绕三个问题展开：
☆ 机器学习项目怎么做？
☆ 数据科学项目怎么做？
☆ 以及，它们会怎么影响你我这样的普通人？
用一个最简单的例子：让智能音箱听懂“Alexa”这个词。
第一步：收集数据
首先得找人录音——说“Alexa”的，说“你好”的，说其他乱七八糟词的，统统录下来。每个音频片段都要标注清楚：这一段说的是什么。
这就是机器学习的基础：喂数据。
第二步：训练模型
把音频作为输入A，把“是不是Alexa”作为输出B，让算法去学。
第一次跑出来的结果大概率很烂——把“你好”识别成Alexa，把Alexa识别成“你好”。没关系，调参数、改模型、再跑。反复很多次，直到效果勉强能看。
这个过程，就叫迭代。
第三步：派送模型
把训练好的模型装进智能音箱，送到用户手里。
然后问题来了——有用户说话有英国口音，但训练数据全是美国人录的。结果音箱死活听不出用户在说Alexa。
这时候就需要回收数据，把英国用户的语音加进去，重新训练，更新模型。
所以完整的流程其实是：
收集数据 → 训练模型 → 派送 → 回收新数据 → 再训练 → 再派送 → …
没有一次成型，只有不断循环。
另一个例子：自动驾驶识别其他车辆
同样的三步走：
1. 收集数据：拍一堆车前视角的图片，然后在每张图上手动标出其他车的位置（画框框）。
2. 训练模型：让算法学习“图片里的哪些像素是车”。一开始它会把树认成车，慢慢调整，直到能准确定位。
3. 派送模型：装车上路。然后发现——遇到高尔夫球车，它认不出来了。于是回收高尔夫球车的图片，再训练，再更新。
道理是一样的：AI不是一次性写好的代码，是喂数据喂大的孩子。
机器学习产出的是一个能用的系统（比如语音识别模型）。
数据科学产出的是一组能指导行动的见解（比如“海外用户运费太高，所以下单少”）。
例子一：优化电商销售漏斗
销售漏斗就是用户从“进网站”到“下单”的全过程：
访问网站 → 浏览商品 → 点进详情 → 加入购物车 → 进入支付 → 完成下单
第一步：收集数据
记录用户从哪来、看了多久、在哪一步退出、IP地址显示在哪个国家。
第二步：分析数据
数据团队可能会发现：
☆ 海外用户进入支付页的多，但最后下单的少——可能是国际运费太贵吓跑了
☆ 某些国家午休时间流量暴跌——大家睡觉去了，没人在线购物
第三步：提出假设和行动建议
☆ 把部分运费隐藏进商品价格里，让结算时没那么肉疼
☆ 午休时段少投广告，省点预算
然后执行，然后继续收集数据，继续分析，继续优化。
例子二：优化生产线
一个咖啡杯的生产流程：
混合黏土 → 捏成杯形 → 上釉 → 烧窑 → 质检
1.收集数据：黏土湿度、供应商、混合时长、窑温、烧制时间、成品有没有裂痕……
2.分析数据：数据团队可能发现——湿度低 + 窑温高 = 容易裂；而且中午外面暖和，窑温要相应调低。
3.提出建议：调整不同时段的湿度和温度参数。
执行后继续收集数据，继续优化。
这一部分让我印象很深——教授挨个讲了不同岗位怎么被AI影响。
销售
☆ 数据科学：帮你分析销售漏斗，找出转化率低的环节
☆ 机器学习：帮你给潜在客户排序，优先联系大公司CEO，而不是实习生
招聘
☆ 数据科学：分析招聘漏斗，发现电话面试通过率太低，可能是面试官太严了
☆ 机器学习：自动筛选简历（但要注意算法偏见，不能因为性别、种族筛掉合适的人）
市场营销
☆ 数据科学：A/B测试，看红色按钮还是绿色按钮点击率高
☆ 机器学习：个性化推荐——你看过我买蓝色衬衫，下次就给你推蓝色衬衫
制造业
· 数据科学：优化生产线参数，减少次品率
· 机器学习：自动视觉检测，用摄像头识别咖啡杯有没有划痕
农业
☆ 数据科学：分析土壤、天气、市场价格，推荐什么时候种什么
☆ 机器学习：精准喷洒——拍张照片，识别出杂草，只喷除草剂在杂草上，不喷作物
第三课结束，我学到的是这些
1. 机器学习项目三步走：收集数据 → 训练模型 → 派送，然后循环
2. 数据科学项目三步走：收集数据 → 分析数据 → 提出行动建议，然后循环
3. 两者产出不同：机器学习产出系统，数据科学产出见解
4. AI正在渗透每一个岗位，不是将来时，是现在进行时
如果你也是AI小白，欢迎一起慢慢学。、
