By

方法论，阅读量大，产品经验丰富，软素质，细心，回忆阅读《结网》的过程，这五个词是我对作者王坚的印象。

整本书在讲如何做互联网产品经理，从在腾讯做产品经理到成为糗百创始人，作者丰富的产品实战经验在讲述如何做产品经理时体现的淋漓尽致，并且作者将这些经验总结为方法论，我这里就不再赘述。

为了阐述自己的观点，本书中素材丰富，从本书一开始腾讯移动QQ的诞生，到书中数学常数E提出、校内网出现、今天笔记本电脑和平板电脑的原型、hao123从无到被百度收购、张小龙觉察Kik Messenger到微信爆发式增长等，增加了阅读过程中的趣味性；同时，作者善于观察生活，从自己驾校练车的经历阐释刻意练习的体会，能让读者身同感受；另外，如何做好一名互联网产品经理，作者长篇幅讲述了如何做好沟通，我非常感兴趣，并在另外一篇中摘录读书笔记。

从PC时代的网站到移动互联网时代的APP，产品经理在“执行”时应该如何转变；移动互联网时代与PC时代，产品经理对产品的思考有何不同，作者在书中没有讲述。

下面就我在阅读过程中，对作者的方法论或观点印象比较深刻的部分摘录。

阅读更多

By

产品，产品，产品！用户体验，用户体验，用户体验！读完《周鸿祎自述：我的互联网方法论》，印象最深这 6 个词！

做技术，更多的时间都是在思考技术细节，对产品的思考、对运营的理解、对营销的了解相对很少。经常在朋友圈、博客或者讲座中听他人讲产品、运营和营销，越发觉得别人见解深入，自己基本毫无思考，全盘接受，缺乏自己思考。另外，不仅技术，越发觉得产品、运营和营销也很有意思。

下面就在读《周鸿祎自述：我的互联网方法论》过程中，觉得印象深刻句子摘录。

NOTES-01

一款产品免费，获取海量用户之后，它的边际成本趋向于零，然后通过广告或者增值服务的方式赚钱，实际上就是创造了新的价值链。

阅读更多

By

概述

ROC（Receiver Operating Characteristic） 曲线和 AUC（Area Under Curve） 常被用来评价一个二值分类器（binary classifier）的优劣。

ROC

二元分类模型

ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来侦测战场上的敌军载具（飞机、船舰），也就是信号检测理论。ROC曲线是一种坐标图式的分析工具，在机器学习和数据挖掘领域，用于评价二元分类模型。

阅读更多

By

问题背景

电商APP一般会有导购场景，在用户打开APP后，引导用户逛起来，帮助用户寻找自己喜欢的商品，如某电商APP的好货日报场景。导购场景做个性化推荐，用户访问时间较长、访问页数较多和点击率较高，说明导购场景比较吸引用户。那么导购场景和猜你喜欢个性化推荐有什么区别，如何能够引导用户逛起来？

阅读更多

By

买了《REWORK》，中文名《重来》，作者 Jason Fried 和 David Heinemeier Hansson，书中部分句子摘抄，关于做事儿的道与术，分享共勉。

工作狂

  • 工作狂往往不得要领。他们花费大把时间去解决问题，他们以为能靠蛮力来弥补思维上的惰性，其结果就是折腾出一堆粗略无用的解决方案。

挠自己的痒处

  • 这些人解决了自己的燃眉之急，同时也发现了他们的需求背后隐藏着一片巨大的市场，这就是你应该去做的。

着手做点什么

  • 在你的人生中真正有意义的是你做了什么，而不是你想过什么，说过什么或者计划过什么。
  • 真正的问题在于你执行的好坏。

阅读更多

By

逻辑回归（Logistic Regression）是机器学习中有监督学习的分类模型，应用于二分类问题，或者说用来分类0/1问题，也就是预测结果属于0或者1的二值分类问题。

在电商中，逻辑回归常用于预测一个用户是否点击特定的商品，应用于排序等场景中。

分类问题

对于某个分类任务，如判定一封邮件是否为垃圾邮件，我们需要通过分类器预测分类结果

  • 是（记为1）
  • 不是（记为0）

阅读更多

By

尽管网络上讲述 线性回归 的文章多如牛毛，这里再次讲述，仅为记录自己的理解过程。

机器学习过程

一个典型的有监督的机器学习过程，目标是构建一个具有较强泛化能力的模型，这个模型能够对输入数据得到输出数据，输出数据能够进行较好的预测。

在构建模型的过程中，首先给出一组已经标注好的训练数据作为输入，通过定义一个假设函数对输入数据进行拟合，并通过定义一个损失函数衡量假设函数拟合的好坏，在损失函数取得最小值时，确定假设函数中参数。这个假设函数就作为要构建的模型，对新的数据给出估计。

线性回归

训练数据集 $\{(X^{(1)},y^{(2)}),(X^{(2)},y^{(2)}),\cdots,(X^{(m)},y^{(m)})\}$，其中，$X^{(i)}, (1 \leq i \leq m)$ ，为一组向量 $(x_{1}^{(i)}, x_{2}^{(i)}, \cdots, x_{n}^{(i)})$，分量 $x_{j}^{(i)}, (1 \leq j \leq n)$， 为 $X^{(i)}$ 的一个特征，$y^{(i)} \in R$。

阅读更多