米饭超人的专栏

原创 《能断金刚》46个商业问题解决之法

1，公司财务状况不稳定，处于长期支出状态； 解决方法：把获得的利润分享给帮助你创造利润的人，绝不取不义之财，分享多少不是关键，关键是愿意分享。 2，如生产仪器，电脑，或交通工具等投资性事物，似乎很快过时或品质不稳定； 解决方法：停止妒忌或羡慕其他商人或他们的事业，把心思集中在公司的创新，不要为他人的成功郁郁寡欢。 3，你在公司的地位摇摇欲坠，似乎即将...

原创 微信小程序资料集（下）

**8月18日小程序Demo集合** [微信小程序Demo：股票分时图、K线图](简书) [微信小程序精品Demo：知乎日报](简书) [微信小程序Demo：事项助手（在日历上添加事件备注）](简书) [微信小程序D...

原创 微信小程序资料集（中）

**12月1日小程序Demo集合** [微信小程序Demo：金融理财计算器](简书) [微信小程序Demo：支付宝+微信二维码收款小程序](简书) [上滑导航吸顶效果](简书) [微信小程序Demo：电器租赁小程序]...

原创 微信小程序资料集（上）

**微信小程序正式公测，**[张小龙全面阐述小程序，定档1月9日上线（附90分钟演讲全文） ...](简书) 前言：**新人第一坑，跳坑指南：修改后，必须保存；ctrl+S；** 1：官方工具：[https://mp.weixin.qq.com/debug/w ... tml?t=147643467...

原创 该内容暂无法显示

原创 All in AI？（下）

AI+安防 人工智能是强需求，国家政策将推进安防领域智能化 •安防是人工智能为数不多的已被验证有需求的场景之一。安防和人工智能的结合点主要有两方面：视频结构化技术和大数据技术。 •视频结构化技术主要是对视频画面进行时空分割、特...

原创 计算机视觉（CV）相关产品学习文章推荐

一、计算机视觉相关文章 1.《计算机视觉基础概念与模型WalkThrough》http://t.cn/Rlcfmht 2.《浅谈计算机视觉的应用与发展》http://t.cn/RlcMZpE 3.《【万字实录】商汤徐立：计算机视觉的完整链条，从成像到早期视觉再到识别理解》http://t.cn/RlcMtwr 4.《【万字实录】格灵深瞳赵勇：计算机视...

原创 人工智能的历史演变

从互联网到移动互联网再到人工智能，这样的产业脉络是如何发生的？ 1950年艾伦·麦席森·图灵提出了图灵测试 ...

原创 搜索引擎就是最大的人工智能项目

为什么谷歌和百度这些做搜索引擎的公司在人工智能方面有很多先天的优势？ KK回忆和谷歌创始人佩奇的一次谈话，2002年KK问佩奇已经有那么多搜索引擎公司，你们为什么还要做呢？佩奇说：其实我们做的是人工智能。2016年KK回忆起这个答案，反过来思考，认为确实谷歌的产品是人工智能，他说：每当你输入一个查询词，或你点击一个链接，或创建一个链接，其实你都是在帮谷歌训练人工智能。 ...

原创 无人车的发展向我们展示了怎样的未来？

无人车历史： 1925年8月人类第一类无人驾驶汽车 叫美国奇迹 遥控车 1940年 设计...

原创 All in AI？（上）

2015年最初的AI架构图 在AI发展的不同阶段，驱动力各有侧重，我们可以将AI的发展划分为三个阶段：技术驱动阶段、数据驱动阶段和场景驱动阶段。 ...

原创 如何分析需求去伪存真？

最近事情比较多，很久没有更新公众号，难得花些时间说点干货。今天来聊聊产品里面一个老生长谈的问题，就是对需求的判断。 首先我们引入管理大师德鲁克的经典案例： 德鲁克，曾到一家美国电钻厂考查，他反问该企业的老板：“你们是电钻生产商？不，你们应该是打洞方案的解决商” 在没有知道这个案例的答案之前，绝大多数用户认为用户的需求是一把好用的电钻，其实用户真正的需求是一个...

原创 产品运营之道：用户反馈（二）

上一篇我们通过五种方法来筛选出有价值的反馈。这一次我们将阐述如何分析和理解那些对我们有价值的反馈。 我们一旦决定了聚焦在哪些反馈以后，接下来，要如何针对用户的反馈制定产品的可执行方案？如何管理大量的用户反馈，来制定产品路线？ 按照以下步骤操作，可以帮助我们对客户分析列表进行优先级排序操作，然后使用分析的结果来制定您的产品路线图。 一类 ...

原创 产品运营之道：用户反馈（一）

在产品的运营当中恰当的处理用户反馈是非常重要的。虽然绝大多数反馈可能是无效的，甚至是用户拍着脑袋想出来的。但是我们仍然需要筛选出有价值的用户反馈。这一篇先来阐述分析和理解用户反馈。 那么在用户反馈中有哪些反馈对我们有价值呢？我列举了如下五点： 1. 反馈问题的用户类型 ...

原创 洞察力-逻辑思维

上一篇俞军说过产品洞察力是可以自我修炼的，这里先说第一个方面产品经理的逻辑思维。 逻辑思维是看上去很抽象的一个概念，不过通俗一些讲就是看待事物的角度、方式和方法。所谓“一万个人眼中有一万个哈姆雷特”思维不同造就了不同人眼中不同的观点。 对于互联网产品思维的解读雷军总结了著名的七字诀：专注、极致、口碑、快，还有“风口上的猪”等等。但我觉得这些都...

原创 洞察力-视野

需要提升自己的格局和视野，坚持做这三件事情是可以收到显著效果的。 一、做关注行业内的产品分析，做完后，基本上你能够洞察到产品在本行业的大的走势和趋势。先从竞品开始分析，然后延伸到整个行业，这是一个比较靠谱的路径。通过这些产品的分析，你会发现在一个行业内及时产品很粗糙，但很多公司利润还是很丰厚，因为行业要发展，在没有更好替代方案前，相对较好的方案就是方向。 第二、多和...

原创 洞察力-同理心

同理心又被称作换位思考，指能够站在他人立场上设身处地的思考，去体会他人的情绪和想法并站在他人的角度思考和处理问题。 同理心和同情心是完全不同的。以一个经典的故事举例，当一个人陷入一个地洞里时，他从洞底大喊：“我被困住了，这里好黑，我快受不了了！”同理心是我们看到了之后爬下去说：“我知道在这下面是什么样子了，你并不孤单。”而同情心则是：“哇！真糟糕啊，对吧。你想来个三明治吗？...

原创 洞察力-自我否定

这里要谈一下我开始做产品经理经历，我是从做游戏开始的，当时从研发团队转做产品经理，中间犯了很多的错误。当时以为自己有做产品的天赋很牛逼，很少听进去别人的意见同事的意见，导致后面众叛亲离，最终产品失败的结局。 通过近一年的反思，我觉得自己在产品经理的工作中犯了N多的错误但核心是没有一颗自我否定的心。我相信很多刚从事产品工作的同事都会或多或少有所欠缺这个能力。人都是有自尊即使是...

原创 App被拒的七宗罪之（一）

IAP内购被拒篇 最近苹果抽风厉害，国内大量App被下架，和微信、王者荣耀等腾讯系App也掐的死去活来。由于很长一段时间没有分析和总结过苹果被拒的经验，导致在苹果抽风最厉害的时期，我们的App多次被拒，痛定思痛后，我决定从操旧业，把目前2017年被拒的经验总结一下，再结合应用市场上优秀App绕过苹果审核的方法做一下分享。 1. 订阅栏目被拒 ...

原创 App常见崩溃总结

一些通用的触发移动App崩溃的测试场景，如下： 1.验证在有不同的屏幕分辨率，操作系统和运营商的多个设备上的App行为。 2.用新发布的操作系统版本验证App的行为。 3.验证在如隧道，电梯等网络质量突然改变的环境中的App行为。 4.通过手动网络从蜂窝更改到Wi-Fi ，或反过来，验证App行为。 5.验证在没有网络的环境中的App行为。...

原创 网络异常模拟测试方法

1.网络异常的分类 在系统的运行过程中，可能会遇到各种各样的网络问题，其中主要可能出现的问题有 网络延迟：当网络信息流过大时，可能导致设备反应缓慢，造成数据传输延迟； 网路掉包：网路掉包是在数据传输的过程中，数据包由于各种原因在信道中丢失的现象； 网络节流：当数据传输量达到网络带宽上限时，数据包可能会被设备拦截下来在之后发出；...

原创 接口测试的工作原理以及常见问题总结

接口测试到底是什么？Web与移动App所提到的接口测试一样么？ web开发中，接口的意思 两个不同的web工程，A和B，A工程如果要访问B工程中的某个函数方法，这就要通过接口的形式进行访问，即通过webservice的方式（如webservice的框架axis等）。 即发起一个http url请求，传入参数是什...

原创 怎样测试才能少被开发怼？

开发人员“怼”测试同学的直接原因： Bug描述缺少辅助截图： Bug描述需增加辅助页面截图，一方面表达更清楚，减少文字描述；另一方面，某些偶发bug留下“事故现场”的证据很有必要，当然如果有个录屏短视频，就由不...

原创 A/B测试资料

【每个工程师都应该了解的：A/B测试——补充阅读】 【经典A/B测试案例研究】 1、《How A/B tests improved add-to-basket levels by almost 30%》 ● 文章讲述了3个 A Hume 公司（一个服装零售公司）的成功A/B测试 ● 地址：https://www.econsultancy.com/bl...

原创 Android测试 常用adb 命令总结

针对移动端 Android 的测试， adb 命令是很重要的一个点，必须将常用的 adb 命令熟记于心， 将会为 Android 测试带来很大的方便，其中很多命令将会用于自动化测试的脚本当中。 Android Debug Bridge adb其实就是Android Debug Bridge, Android 调试桥的缩写，adb 是一个C/S架构的命令行工具，主要由...

原创 瑞达利欧《原则》笔记

《原则》 1.达利欧 ：你要努力过原则为基础的生活 2.每当你做决策的时候我的原则是什么？ 3.把你的原则写下来不断的迭代 4.过原则为基础的生活：努力找到自己原则，把自己原则写下来持续的迭代，做选择的时候对照自己写下来的原则 5.第一条原则：做一个超级现实的人，不要让自己头脑扭曲现实，需要实事求是看世界。头脑开放，接受结果 6.理解...

原创 《副业赚钱》读后感三

一、故事影响力：打造“吸睛人设” 第一，故事性文章，写出身份认同感 第二，故事性文案，卖出产品好销量 第三，故事性演讲，讲出个人影响力 二、第一效应：数字化百倍放大你的影响力 第一，了解两个概念——“全平台第一”和“细分领域第一” 第二，“...

原创 《副业赚钱》读后感二

一、职场持续积累你的副业赚钱能力 真正的价值提升=向内的能力+向外的能力集合 第一种能力，目标达成能力。有考核，才能有完成目标的动力 第二种能力，营销能力。真正的价值提升=向内的能力+向外的能力 集合，在职场时就开始树立自我营销意识吧 第三种能力，管理能力。一个人走得快，但一群人才能走得更...

原创 机器学习入门（十八）：一种“宽容”的回归模型

严格的线性回归 之前我们讲过线性回归：在向量空间里用线性函数去拟合样本。 该模型以所有样本实际位置到该线性函数的综合距离为损失，通过最小化损失来求取线性函数的参数。参见下图： 对于线性回归而言，一个样本只要不是正好落在最终作为...

原创 机器学习入门（十七）：SVM——非线性 SVM 和核函数

非线性分类问题 遇到分类问题的时候，最理想的状态，当然是样本在向量空间中都是线性可分的，我们可以清晰无误地把它们分隔成不同的类别——线性可分 SVM。 如果实在不行，我们可以容忍少数不能被正确划分，只要大多数线性可分就好——线性 SVM。 可是，如果我们面对的分类问题，根本就是非线性的呢？比如像下面这样： ...

原创 机器学习入门（十六）：SVM——线性 SVM，间隔由硬到软

从线性可分 SVM 到线性 SVM 从现实情况引出线性 SVM 线性可分 SVM，这种 SVM 学习的训练数据本身就是线性可分的——可以很清晰地在特征向量空间里分成正集和负集。 线性可分 SVM 正负样本之间的间隔叫做“硬间隔”，也就是说在这个“隔离带”里面，肯定不会出现任何训练样本。 我们不难想到，这种情况在现实生活中其实是很少见的。更多的时候，可...

原创 机器学习入门（十五）：SVM——对偶学习算法

对偶问题 上一篇我们用 x 和 y 各代表一个维度，用 z=f(x,y) 和 g(x,y)=0 分别代表一个二元函数和一个一元函数。这样做是为了和图形对比的时候能看得清楚，为了可视化方便。 一般情况下，我们就用 x 代表一个函数的自变量。这个 x 本身可以是多维的。 而且，同一个函数可能同时既有等式约束条件，又有不等式约束条件。 主问题 现在...

原创 机器学习入门（十四）：SVM——直观理解拉格朗日乘子法

上一篇，我们获得了线性可分 SVM 的目标函数：一个带约束条件的求极值问题。 而拉格朗日乘子法，恰恰是一种多元函数在变量受到条件约束时，求极值的方法。正好可以用来解决 SVM 的目标函数最优化。 我们在此不做严格的拉格朗日乘数法正确性的数学证明，而是以最简单的函数形式为例，从直观带大家来领略整个方法的每一个步骤。 换句话说，本文是帮我们积累一些对于“为什么将...

原创 机器学习入门（十三）：SVM——线性可分 SVM 原理

之前我们讲过的几个模型：线性回归、朴素贝叶斯、逻辑回归和决策树，其背后数学原理的难度属于初级。而接下来要讲的 SVM 和 SVR 则上升到了中级。 在下面的几 篇中，我们将不会再看到可爱、搞笑的图片和轻松的调剂，而要一步步剥离清楚 SVM/SVR 的出发点与运作过程。 线性可分和超平面 二分类问题 在机器学习的应用中，至少现阶段，分类是一个非常常见的需求...

原创 机器学习入门（十二）：决策树——告诉你 Hello Kitty 是人是猫

Hello Kitty 的种族问题 Hello Kitty，一只以无嘴造型40年来风靡全球的萌萌猫，在其40岁生日时，居然被其形象拥有者宣称：Hello Kitty 不是猫！ 2014年8月，研究 Hello Kitty 多年的人类学家 Christine R. Yano 在写展品解说时，却被 Hello Kitty 持有商三丽鸥纠正：Hello Kitty 是一个...

原创 机器学习入门（十一）：决策树——既能分类又能回归的模型

决策树 前面我们讲了线性回归和朴素贝叶斯分类模型。前者只能做回归，后者只能做分类。但本文中要讲的决策树模型，却既可以用于分类，又可以用于回归。 什么是决策树 决策树是一种非常基础又常见的机器学习模型。 一棵决策树（Decision Tree）是一个树结构（可以是二叉树或非二叉树），每个非叶节点对应一个特征，该节点的每个分支代表这个特征的一个取值，而每...

原创 机器学习入门（十）：逻辑回归——用来做分类的回归模型

现在我们回到 LR 模型本身。 回归模型做分类 从前面关于分类与回归的定义来看，分类模型和回归模型似乎是泾渭分明的。输出离散结果的就是用来做分类的，而输出连续结果的，就用来做回归。 我们前面讲的两个模型：线性回归的预测结果是一个连续值域上的任意值，而朴素贝叶斯分类模型的预测结果则是一个离散值。 但 LR 却是用来做分类的。它的模型函数为： h...

原创 机器学习入门（九）：逻辑回归——非线性逻辑函数的由来

逻辑回归 今天我们要讲的模型叫做 Logistic Regression （LR），一般翻译为逻辑回归。 LR 是一种简单、高效的常用分类模型——有点奇怪是吧，为什么名字叫做“回归”却是一个分类模型，这个我们稍后再讲。先来看看这个 LR 本身。 LR 的模型函数记作：y=h(x)，具体形式如下： hθ(x)=11+e−θTx 对应到一元自变量...

原创 机器学习入门（七）：朴素贝叶斯分类器——从贝叶斯定理到分类模型

前面有关线性回归的课程中，我们讲了一个回归模型，我们现在来讲一个分类模型。 分类 vs 回归 分类模型 VS 回归模型，最根本的不同：前者是预测一个标签（类型、类别）；后者则是预测一个量。 换一个角度来看，分类模型输出的预测值...

原创 机器学习入门（六）：线性回归——梯度下降法求解目标函数

y = a + bx 的目标函数 上一篇文章，我们解释了线性，本文我们回到求解线性回归目标函数的问题上。前面已知，线性回归的目标函数为： J(a,b)=12m∑mi=1(a+bx(i)−y(i))2 J(a,b) 是一个二元函数。我们要求的是：两个参数 a 和 b 的值。要满足的条件是：a 和 b 取这个值的时候，J(a,b) 的值达到最小。 我们现...