过拟合的问题过拟合（Overfitting）是指机器学习模型在训练数据上表现得过于优秀，以至于在未见过的新数据上表现不佳的现象。过拟合发生时，模型会过度适应训练数据中的噪声和细节，而忽略了真正的数据模式和一般性质，从而导致泛化性能下降。针对上方的线性回归、逻辑回归等，将它们应用到某些特定的机器学习应用时，会遇到过拟合(over-fitting)的问题，可能会导致它们效果很差。过拟合的特征包括：训练集上表现良好，测试集上表现较差： 模型在训练数据上的预测非常准确，但在新的、未见过的数据上预测不如预期。模型复杂度过高： 过拟合模型可能具有过多的参数或过于复杂的结构，以致于能够很好地拟合训练数据中的每个样本。小样本噪声： 模型可能在训练数据中的噪声点上表现出较高的准确率，而在真正的数据模式上表现不佳。参数值过大： 过拟合模型的参数值可能在训练过程中变得非常大，以适应训练数据中的小细节。为了应对过拟合，可以采取以下一些方法：使用更多的训练数据： 增加训练数据的数量可以帮助模型更好地学习数据的一般性质，减少过拟合的可能性。简化模型： 降低模型的复杂度，可以通过减少参数数量、降低多项式次数等方式来避免过拟合。正则化： 引入正则化项，如L1正则化或L2正则化，可以限制模型的参数大小，防止过拟合。特征选择： 选择与问题相关的重要特征，避免使用过多无关的特征。交叉验证： 使用交叉验证来评估模型的性能 ...继续阅读 (74)

分类问题Classification逻辑回归（Logistic Regression）是一种用于解决分类问题的统计学习方法，尽管名字中带有“回归”，但它实际上是一种分类算法。逻辑回归主要用于二分类问题，即将数据分为两个类别，但它也可以通过一些变种扩展到多分类问题。逻辑回归的基本思想是通过一个线性函数的加权和，将输入特征映射到一个介于0和1之间的概率值，表示属于某一类别的概率。为了将线性函数的输出转化为概率，逻辑回归使用了一个称为“逻辑函数”或“Sigmoid函数”的非线性转换。逻辑回归在实际应用中被广泛使用，尤其适用于二分类问题，例如信用风险评估、医疗诊断、广告点击预测等。以下还是以二元分类为例子：将因变量(dependent variable)可能属于的两个类分别称为负向类（negative class）和正向类（positive class），则因变量y∈0,1 ，其中 0 表示负向类，1 表示正向类。如果用线性回归算法来解决一个分类问题，对于分类， y取值为 0 或者1。但实际情况中，假设函数的结果可能大于1或小于0，所以采用逻辑回归算法来解决该问题。逻辑回归算法的性质是：它的输出值永远在0到 1 之间。假设陈述假设表示，特别是在机器学习和统计学的背景下，指的是数学或功能表达式，用于模拟给定问题中输入变量（特征）与输出变量（目标）之间的关系。假设代表着算法试图从数据中捕捉到的 ...继续阅读 (90)

分类问题Classification逻辑回归（Logistic Regression）是一种用于解决分类问题的统计学习方法，尽管名字中带有“回归”，但它实际上是一种分类算法。逻辑回归主要用于二分类问题，即将数据分为两个类别，但它也可以通过一些变种扩展到多分类问题。逻辑回归的基本思想是通过一个线性函数的加权和，将输入特征映射到一个介于0和1之间的概率值，表示属于某一类别的概率。为了将线性函数的输出转化为概率，逻辑回归使用了一个称为“逻辑函数”或“Sigmoid函数”的非线性转换。逻辑回归在实际应用中被广泛使用，尤其适用于二分类问题，例如信用风险评估、医疗诊断、广告点击预测等。以下还是以二元分类为例子：将因变量(dependent variable)可能属于的两个类分别称为负向类（negative class）和正向类（positive class），则因变量y∈0,1 ，其中 0 表示负向类，1 表示正向类。如果用线性回归算法来解决一个分类问题，对于分类， y取值为 0 或者1。但实际情况中，假设函数的结果可能大于1或小于0，所以采用逻辑回归算法来解决该问题。逻辑回归算法的性质是：它的输出值永远在0到 1 之间。假设陈述假设表示，特别是在机器学习和统计学的背景下，指的是数学或功能表达式，用于模拟给定问题中输入变量（特征）与输出变量（目标）之间的关系。假设代表着算法试图从数据中捕捉到的 ...继续阅读 (74)

多维特征Multiple Features之前课程仅针对单一变量/特征进行回归，但现实中单一变量/调整很少，往往都会存在较多的特征。多维特征是指在数据分析、机器学习和统计学等领域中，用于描述和表示数据的多个属性、变量或特征。每个特征可以看作是数据的一个维度，多个特征共同构成了数据的多维空间。多维特征用于捕捉数据的多方面信息，从而更全面地描述数据。对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为多个数值。多维梯度下降Gradient Descent for Multiple Variables与单变量线性回归类似，在多变量线性回归中，也需要构建一个代价函数。同理，代价函数是所有建模误差的平方和，目的要找出使得代价函数最小的一系列参数。代价函数梯度下降所以经过推导等运算，得出下图结果；开始随机选择一系列的参数值，计算所有的预测结果后，再给所有的参数一个新的值，如此循环直到收敛。Python代码def computeCost(X, y, theta): inner = np.power(((X * theta.T) - y), 2) return np.sum(inner) / (2 * len(X))梯度下降法实践——特征缩放Feature Scaling特征缩放是在数据预处理过程中的一个重要步骤，旨在将数据特征的值范围调整到合适的 ...继续阅读 (80)

微调（Fine-tuning）是指在已经经过预训练的模型基础上，进一步在特定任务上进行训练以适应特定的数据和需求。在自然语言处理和机器学习领域中，微调通常用于将通用模型（如预训练的语言模型）调整为执行特定任务，从而提高模型在该任务上的性能。微调的大致步骤如下：预训练： 使用大量的通用数据进行预训练，以便模型能够学习通用的语言表示。例如，对于文本生成任务，模型可以在大规模的文本语料库上进行预训练。微调： 在特定任务的数据上继续训练模型。这些特定任务可能包括文本分类、命名实体识别、情感分析等。通过在特定任务上进行微调，模型能够逐步调整其参数，以适应该任务的特定要求。微调可以用来完成以下任务：文本分类： 将预训练的语言模型微调为执行特定文本分类任务，如垃圾邮件检测、情感分析、新闻分类等。命名实体识别： 在NER（Named Entity Recognition）任务中，微调模型以识别文本中的实体，如人名、地名、日期等。机器翻译： 使用预训练的语言模型作为基础，微调模型以执行特定语言对之间的翻译任务。问答系统： 将预训练的模型微调为问答系统，使其能够根据给定的问题从文本中提取答案。生成式任务： 微调模型用于生成文本，如文章摘要生成、对话生成等。通过微调，模型可以利用其在预训练阶段学到的通用语言知识，快速适应特定任务的数据，从而在特定任务上表现更好。这种方法减少了针对每个任务都从头开始训练模 ...继续阅读 (77)

机器学习中涉及大量的大学线性代数内容，虽然大学时候学习该课程也不知道为什么学习，但后知后觉才发现，任何一门课程真是“存在即合理”。矩阵矩阵是一个数学概念，它是一个由行和列组成的矩形排列的数表。每个单独的数字在矩阵中被称为元素。矩阵在许多领域中有广泛的应用，包括线性代数、统计学、物理学、工程学等。一个 m × n 的矩阵由 m 行和 n 列组成，如下所示：| a11 a12 a13 ... a1n | | a21 a22 a23 ... a2n | | a31 a32 a33 ... a3n | | ... ... ... ... ... | | am1 am2 am3 ... amn |其中，a_ij 表示位于第 i 行第 j 列的元素。矩阵在线性代数中有重要的作用，它们可以用于表示线性方程组、进行向量空间的变换、求解特征值和特征向量等。矩阵还在计算机图形学中用于表示变换、旋转和缩放操作。在数据分析和统计学中，矩阵用于表示数据集的关系和变换。除了普通的矩阵，还有一些特殊类型的矩阵，如方阵（行数等于列数）、对角矩阵（非对角元素均为零）、单位矩阵（对角元素均为1，其余元素为零）等。矩阵在数学和应用领域中扮演着重要的角矩阵的维数即行数×列数矩阵的运算运算规则加法对应元素相加若两个矩阵的维度不同，无法相加减法对应元素相减若两个矩阵的维度不同，无法相减 ...继续阅读 (81)

模型概述单变量线性回归是机器学习中的一种简单线性回归方法，用于建立一个输入变量（自变量）与输出变量（因变量）之间的线性关系。它适用于只有一个自变量和一个因变量的情况。因为只含有一个特征/输入变量，因此这样的问题叫作单变量线性回归问题。训练单变量线性回归模型的目标是找到最佳的斜率 m 和截距 b，使得预测值与实际值之间的误差（通常使用均方误差）最小化。代价函数Cost Function代价函数（Cost Function）也被称为损失函数（Loss Function）或平方误差函数（Mean Squared Error，MSE）。代价函数用于衡量线性回归模型的预测值与实际值之间的误差，并且我们的目标是通过优化代价函数来找到最佳的模型参数。代价函数的一般形式是平方误差函数：MSE = (1/n) * Σ(yᵢ – ŷᵢ)²其中：n 是样本的数量，yᵢ 是第 i 个样本的实际输出值，ŷᵢ 是第 i 个样本的模型预测输出值。代价函数直观理解1代价函数直观理解2在训练过程中，我们使用梯度下降等优化算法来最小化代价函数。梯度下降算法通过计算代价函数的梯度（对参数的偏导数），来找到代价函数的最小值点，从而得到最佳的模型参数（斜率 m 和截距 b）。优化代价函数的过程是迭代的，模型会根据每一步的梯度更新参数，直到达到收敛条件或达到预定的迭代次数。梯度下降Gradient Descent ...继续阅读 (90)

机器学习是一种人工智能（AI）的分支，它涉及开发一系列算法和技术，使计算机能够从数据中学习和提高性能，而无需明确编程。机器学习的目标是使计算机在面对新数据时能够做出准确的预测或决策。分类监督学习无监督学习英文Supervised LearningUnsupervised Learning数据标记需要有标记的训练数据（输入-输出对）无需有标记的训练数据目标预测输出/目标变量（目标已知）发现数据内在结构/模式（目标未知）任务分类、回归、序列预测等聚类、降维、关联规则挖掘等监督信息通过与目标变量的比较进行学习依赖于数据本身的特征和分布示例分类：垃圾邮件过滤、图像识别聚类：用户分群、图像分割应用领域机器学习中的主要类型数据挖掘、特征学习、无监督预训练等例子预测房价：给定房子特征，预测价格聚类新闻：将新闻按相关主题分组目标最小化预测误差最大化数据间的相似性/聚类紧凑性优点可以处理多类任务、有监督信息指导学习发现隐藏模式、自动学习特征表示缺点需要标记数据，对数据依赖较强无法直接获得精确目标，结果解释较困难该表格由chatgpt生成 ...继续阅读 (77)

概论定义嵌入是翻译后的词语，更贴切的翻译建议是“向量化”；将对象向量化，完成数值化的转换。Embedding 就是用一个数值向量“表示”一个对象（Object）的方法。“实体对象”可以是image、word等，“数值化表示”就是一个编码向量。例如对“颜色“这种实体对象用（R，G，B）这样一个三元素向量编码。在推荐系统中，其核心就是Embedding。为什么有Embeddings假如我们需要对以下文本进行数值化，就需要确定编码：字符pmsol编码12345那么，pmsolo的一维即 [1 2 3 4 5 4]，将该编码转换成one hot encoding，就变成了[ [1 0 0 0 0 ] //p [0 1 0 0 0 ] //m [0 0 1 0 0 ] //s [0 0 0 1 0 ] //o [0 0 0 0 1 ] //l [0 0 0 1 0 ] //o ]经过这样的编码后，pmsolo就变成了一个二维的矩阵；由于其存在大量的为0的数字，所以一般称为稀疏矩阵。稀疏矩阵做矩阵计算的时候，只需要把1对应位置的数相乘求和即可，计算便捷快速。但其缺点是过于稀疏，会过渡占用资源。于是Enmeddings出现了。Enmeddings可用来升降维 ...继续阅读 (87)

基于自有数据结合 Azure OpenAI，可以让GPT-35-Turbo 和 GPT-4无需训练或微调即可基于私有的数据运行聊天模型。主要优势：能够定制对话式 AI 的内容；模型有权访问并可引用特定源来支持其回复，因此答案不仅基于其预先训练的知识，还基于指定数据源中提供的最新信息。 这些基础数据还有助于模型避免过时或不正确的信息生成回复。主要特点：能够以增强模型输出的方式检索和利用数据；根据用户输入和提供的对话历史记录确定从指定数据源检索哪些数据；然后，作为提示重新提交到 OpenAI 模型，并将检索到的信息追加到原始提示中。数据处理自有数据的使用需要依赖Azure Cognitive Search来构建索引，以便根据用户输入或对话历史确定检索的内容。对于包含长文本的文档和数据集，应使用可用的数据准备脚本将数据引入认知搜索。 该脚本可将数据分块，以实现更准确的对服务的响应。 此脚本还支持扫描的 PDF 文件和图像，并使用文档智能引入数据。基于自有数据的 Azure OpenAI 支持以下文件类型：.txt.md.htmlMicrosoft Word 文件Microsoft PowerPoint 文件PDF如果有内部的知识库，完全可以基于此构建垂直领域的专有chat工具，且不需要进行微调或训练。 ...继续阅读 (78)

GPT-35-Turbo和GPT-4模型是专为会话优化过的语言模型，采用会话输入和消息输出方式交互。在Azure OpenAI中提供了两种类型接口：Chat Completion API（也有翻译称为 聊天补全API） ：访问GPT-4唯一方式，兼容GPT-35-Turbo和GPT-4Completion API with Chat Markup Language (ChatML)：仅支持GPT-35-Turbo作为产品经理，重点关注接口中需要的参数即可；代码实现还是交给专业的小伙伴来完成。下文主要以 Chat Completion API 为例进行说明。//请求 import os import openai openai.api_type = "azure" openai.api_version = "2023-05-15" openai.api_base = os.getenv("OPENAI_API_BASE") # Your Azure OpenAI resource's endpoint value. openai.api_key = os.getenv("OPENAI_API_KEY") response = openai.ChatCompletion.create( engine="gpt-35-turbo", # The deployment nam ...继续阅读 (84)

上文中对模型基础概念有基本的描述，传送门最近的GPT-3.5 和 GPT-4 等模型基于提示词使用，通过输入文本提示与模型进行交互，文本提示通过文本补全进行相应。模型对提示词非常敏感，提示词的构建变得很重要；其有点玄学，而非科学，通常需要根据经验或实验来完成提示词的创建。值得注意的一点，提示词并非适用于所有的模型，即使在某模型验证比较成熟的提示词换一个模型后依然需要重头再来，但提示词构建的架构、方法和提问技巧可能是可以复用的。熟读唐诗三百首 不会作诗也会吟对于prompt最好的学习方式是多看、多试；下面更多是方法论或经验，想要掌握prompt，需要 “知行合一”“世上练”王阳明提示词构成以下构成并非全部每次都需要，任意一项其实也可以得到chatgpt的结果输出。指令Instructions主要内容content示例Examples指示Cue支撑信息Supporting content指令指向模型说明要执行的操作，可以很简单也可以很复杂。主要内容是指模型正在处理或转换的某种文本。 主要内容通常与指令一起使用，比如指令要求都某内容进行翻译或内容概要提取。在常见的prompt建议中，一般均将内容进行间隔包裹，如使用 “””内容””” 或 【内容】。即“one-shot”或“few-shot”，给予一个例子将有助于模型 ...继续阅读 (80)

最近业务和个人工作中，逐步开始试用chatpgt等来完成部分文档的输出，也借着这个机会对于Azure Openai的服务文档进行学习和总结。接下来以系列的方式，逐步完成对该服务文档的学习笔记输出；Azure Openai基本上和OpenAI官方服务文档一致，两者学习其一即可。Azure OpenAI 服务提供对 OpenAI 强大语言模型的 REST API 访问，这些模型包括 GPT-4、GPT-35-Turbo 和嵌入模型系列。 Azure OpenAI的使用需要进行申请，申请入口点这里；其与直接调用OpenAI能力基本一致。模型MODELSDESCRIPTIONGPT-4一组改进GPT-3.5的模型，可以理解和生成自然语言或代码GPT-3.5一组改进GPT-3的模型，可以理解和生成自然语言或代码DALL·E可以在自然语言提示时生成和编辑图像的模型Whisper一个可以将音频转换为文本的模型Embeddings一组可以将文本转换为数字形式的模型Moderation一个微调的模型，可以检测文本是否敏感或不安全*截止2023年7月数据Token令牌OpenAI 通过将文本分解为标记来处理文本。 标记可以是单词，也可以是字符块。给定请求中处理的标记总数取决于输入、输出和请求参数的长度； 处理的标记数量也会影响模型的响应延迟和吞吐量。作为一个粗略的经验法则，1个令牌对于英语文本来说大约 ...继续阅读 (86)

Prompt Engineering 是一种人工智能（AI）技术，它通过设计和改进 AI 的 prompt 来提高 AI 的表现。Prompt Engineering 的目标是创建高度有效和可控的 AI 系统，使其能够准确、可靠地执行特定任务。简单的理解它是给 AI 模型的指令。从用户的角度看， prompt 可以更好地使用 ChatGPT 等产品。从产品的角度看，对于用户来说， prompt 会是个短期过度形态，未来肯定会有更友好的交互形式，或者理解能力更强的 AI 产品。PE技巧或建议To do and Not To do：告知模型不能干什么，不妨告诉模型能干什么。如果想要的是明确的答案，加入更多限定词，告知模型能干什么，回答的效率会更高，且预期会更明确。增加示例：给予具体的例子 （单就目前数据分析来说，数据样例难以给较好的示例 ）使用引导词，引导模型输出特定语内容增加 Role（角色）或人物使用特殊符号将指令和需要处理的文本分开：用”””—“””将指令和文本分开通过格式词阐述需要输出的格式Zero-shot 和 Few-shot prompt类型Zero-shot promptFew-shot prompt定义使用预训练模型无需特定任务微调的提示使用预训练模型进行少量任务微调的提示微调不需要进 ...继续阅读 (78)

总结1、淘体内，单品牌单店铺、单品牌多店铺数据可通过应用在聚石塔体系内完成；线上线下或与其他系统打通须申请数据出塔，可能存在额外的隐形成本。2、必要条件之一的品牌会员同的申请仅限天猫客户，且申请内容繁琐；3、必要条件之一的CRM模块中关于积分、权益逻辑等逻辑暂时缺失；4、作为ISV需要入驻并创建应用、购买聚石塔服务、申请奇石网关等操作，均需要验证可行性；若长时间无人使用接口权限将被回收（须作为重点推广产品之一）；5、信息接口和业务API尚未研究，但整体判断应该较为丰富，尚未梳理事件、字段等；6、品牌决定使用会员通会导致之前在店铺名下的会员变更主体至品牌，早前会员关系会被清空，存量会员会被解绑，可能存在流失风险（方案层面需要考虑降低流失的方案）。ISV入驻淘宝开放平台https://open.taobao.com/doc.htm1、入驻身份：须支付宝企业资质认证；身份证、营业执照、手机号、MRD、PRD、软件架构图、客服旺旺2、入驻账号：使用淘宝账号登录，须完成支付宝企业实名绑定，填写开发者基本信息3、应用类目：电商后台、商家应用、小程序插件和其他4大类 （风险：部分场景已经饱和，不对外公开）；同一个标签每个用户默认只能创建1个应用，需合理创建应用；开发者需遵循“发布服务审核规范” 及 “类目接入要求” ，详细参考这里客户服务类目：有限责任公司或股份有限公司；须使用聚石塔 ...继续阅读 (84)

包括曾经的我在内，很多人都喜欢用快速迭代这个词来指导产品设计。在刚工作进入产品经理这一行时，看过很多文章说迭代迭代的好处，我也很赞同这种思路，然而在我的后续工作中，无论是我自己，还是好多同行，在运用这一条时都出了不少问题。例如：当大家批评一个产品做得不够好的时候，我们会没有产品是完美的，互联网产品是迭代更新的。例如：在你感觉时间紧张的时候，往往设计出一个半成品就推出去，说后续再迭代更新。其实只是你不想承认，你没有考虑清楚而已。在前期产品设计过程中，流程和功能，交互反馈没有做好；在要推一个新产品的时候，即使是MVP产品，也应该是想好了这个产品是面向哪些人群，解决了哪些需求，这时候推一个MVP产品，而MVP产品是你已经想好了一个产品的整个形态，用其中的一个子集快速推出上线抢占市场，检测自己想法。而并不是推出一个什么都没想清楚的产品，然后在依靠迭代去改进。所以，不要让迭代成为你偷懒的理由。 ...继续阅读 (68)

疑难杂症：Mac 下比较著名的的SQL 软件workbench，在新增connection时会弹出错误，调用python 模块错误，导致新增数据库，往表中插入数据失败。这个问题我查阅了很多资料，在stackoverflow 上也有不少用户出现这个问题，试过很多方案，都难以解决。而最终的解决方案居然是，把workbench升级到最新版本，就解决了这个问题。。。我也是醉了 ...继续阅读 (81)

大概是2012年末，2013年时曾经设计过一款产品，叫随行。这款产品大概迭代了五六个版本，我一个人负责了整个产品的创意提出，设计和上线，以及后续改版。现在看来，有成功也有失败的地方。每个阶段的认知总是不一样的，随着做的东西越来越多，学到的知识和经验也越来越多，开始逐渐形成自己的产品思维方式，在开始反思最开始时做的产品，能够发现当时的思维和做法注定了这个产品的命运，但是在当时的认知层次和阶段上，却因能力不够发现不了这个问题。简单介绍一下这个产品，这个应用致力于帮助销售代表或外勤人员有效规划拜访客户安排,提升拜访客户效率同时为企业管理者提供查看员工拜访计划,拜访反馈,员工签到位置,相关统计数据,考勤管理,通讯,企业协作,CRM(客户管理)等功能。包含移动端(iOS 和 Android)和 web 端。需求的提出必然是有原因的，第一个原因，当时所在的公司B2B.CN 主要是做企业市场，偏电商搜索为主，整个的业务模式与阿里巴巴旗下的1688.com和慧聪网极为相似，互为竞争对手。公司的基因决定了你去做企业市场的产品，必然会比做2C产品得到更多的支持，虽然我当时也策划过不少2C的产品（因为主要做创新产品策划），基本上每周都有创意讨论会会太探讨需求。第二个原因就是，当时本身公司就有很多销售团队，平时就会与他们打交道，在这个过程中发现这个群体的行为特点，由此提出的产品方案。产品模型的拆解就是：* ...继续阅读 (64)

做了产品这么长时间，见过不少不咋样的产品，也见过一些非常牛的产品，羡慕不已。自己也在磕磕绊绊的路上整理了很多心得总结了一套产品设计流程。意会大于言传，毕竟每个人的成长总结有每个人的主观成分在里面 ...继续阅读 (75)

1.运营工作的核心任务1）流量建设：流量建设是要通过各种推广、扩散、营销、活动，提升网站的流量指标，我们通常所说的PV、UV、注册转化、SEO都在这个环节。2）用户维系2.运营工作会涉及层面2.1内容运营的核心1）持续制作对用户有价值的内容，保证用户可以在站点获取这些信息2）根据KPI降低或者提高用户获取内容的成本3）协助网站和产品获利2.2 用户运营所有网站和产品都需要引入新用户、留存老用户、保持用户活跃、促进用户付费、挽回流失或者沉默的用户用户运营首先要做的事情，就是掌握自身用户的用户结构用户运营的核心内容是什么？开源（新用户拉动）、节流（防止流失与流失挽回）、维持（已有用户的留存）、刺激（促进用户活跃甚至向付费转化）2.3 活动运营活动运营是指，通过开展独立活动、联合活动，拉动某一个或多个指标的短期提升。网站和产品的活动承担很多职责，可以达成很多目标。活动可以为产品探路，很多产品的功能可以从活动中总结和提炼。比如，一个电商网站发现促销打折的活动用户很喜欢，那么它可能就可以将它固化成：团购系统、优惠券体系、秒杀功能，等等；比如，一个社区网站发现邀请活动可以有效的拉动注册用户，那么它就可能将这类活动固化成：推广员机制；比如，一个产品发现可以用签到等手段活动提升用户的持续活跃，指引用户行为，那么它就可能将一大类差不多的活动固化成：任务系统等等。2.3.1.活动策划流程：1）活动文案 ...继续阅读 (67)

2015-7-19晚上不知在何处看到一篇关于毒素的文章，大抵是讲，钚疑惑其他一些毒素，肉毒杆菌毒素等毒性强弱的问题，我之前是查过的，然后今天忽然又感兴趣起来，于是我查了相关肉毒杆菌的介绍，也知道打肉毒杆菌美容，去皱纹的原理是什么，也知道其实还是比较安全的，没有我之前意想的，打不好直接干死一个人得危险。在这查询毒素的过程中，我看到了另一个毒素的介绍，蓖麻毒素，也是一种极强无比的毒素，来源于蓖麻籽，这让我不禁想起，我小时候上山，山上有好多人家种蓖麻，然而那时我却并不知道这玩意不能食用，周围人也并没有告诉我这一点，以我小时候的怪癖，什么都想吃，什么都想尝一点的性格，我居然没对蓖麻籽下口，想来也真是惊悚和幸运，背脊一阵发凉。。毒素列表中还有一个，汞中毒。汞中毒我倒是没有，我唯一跟汞接触的是在初中做压强实验，用到了汞这种材料，但是也是有一点风险，有一次实验，有一些汞洒出来在桌子上，桌子是不平的，汞在上面散开成了一些小珠子，下课后我和几个人在那围着观察，可是班里的一个混蛋居然跑到桌子旁边，对着桌子大吹一口气，我和小伙伴们都惊呆了，彼时我们几个正张着嘴在那围观，这意味着，一些汞蒸气，散伙的一些汞珠，有可能已经进入我的身体，然而那会毕竟年轻，虽然有这个意识，却并没有过多深究，如果是今天，非揍残那小子不可，因为方面我的体格其实是打不过人家的。说到汞，这让我想起了另一种玩物，铅。我小时候一直有远大的理 ...继续阅读 (87)

关于在线教育，除了很多普遍的产品指标之外，很多教育课程的做法都是按照传统课程的做法来做，第一章，第二章，第三章，并且会去评估学生的学习成果。这个在线下是么有问题的，但是对于在线教育，为什么非要追求学习效果呢？对于业务来说，你提供的内容是为了服务用户，不同用户的特点不一样，对于K12群体，他们关心的指标就是分数，这也是老师和家长关心的。无论线下还是线上课程，最终目的都要解决这个问题。然后对于其他年龄层的用户学习，或者技能学习的用户呢？学习效果还是衡量的指标么，我觉得不一定。约翰.杜威说过，课程内容是学习过程中最不重要的东西。换句话说，一个人学到的最重要的东西是学习的方法。就像你无法从各种各样的建议中找到改善教育制度的方法一样，你也无法从这些建议中获得改善在线教育产品的方法，有可能你按照这种思路去设计产品，直接会宣告你的死亡。但是，基于互联网视频的这一种特性，是否可以向一些精彩电视节目去学习，来设计一种更符合互联网视频特性和对用户普遍适用的课程呢？这方面，我在看了《娱乐至死》这本书中有提到过，电视教学的一些看法和简介，要么说大牛就是大牛，1985年出版的这本书，其中的理论在今天互联网时代依然是具有指导意义和适用价值的。其中有一个观点，只有当教育成为一种娱乐时，学习才最有效最持久最真实。作者通过一些事例和现象得出了电视教育的三条结论，在我看来依然是适用于互联网的在线教育。1、你不能有前提 ...继续阅读 (69)

游戏化可不能归结为用什么给玩家创造乐趣的头脑风暴，如果你是认为就是一堆游戏组件的实现，那么这个游戏化系统估计也是失败的。游戏化最佳执行的6个步骤：明确商业目标列出目标通过游戏化的方式提高课程完成度问题吸引更多的用户来学习排序目标删除机制明确目标划定目标行为分享次数（微博分享，朋友圈分享数据提高）百度指数课程完成度课程点击次数PV用户活跃度（日活，周活）论坛中发帖数，评论数，投票数等用户对KKB &LMS; 使用体验好感明显上升描述你的用户描述：什么可能激励你的玩家，这个问题可能没有一个简单的答案，你应该随时吧自己放在他们的位置上，这样可以找出许多潜在动机。通过对内在动机和外在动机的分析，决定哪些激励因素能最有效的通过游戏化系统起作用。考虑是什么因素让用户失去了动力？缺乏动力？需要提高用户的参与度为导向缺乏能力？需要调整用户的使用难度曲线研究techvarity 在线教育用户流失的因素以及学习动机KKB 产品设计：先做典型用户画像，这些画像将贯穿产品设计整个流程。并且设计过程中需要为各个阶段的玩家提供不同的兴奋点。制定活动周期参与回路：用户有行为立刻给出相应反馈，反馈又反过来刺激用户。反馈的意义在于为用户的下一步行为创造动机。进阶：注意纳入某种程度的随机性。享乐型适应：是指认为每一个进度都是理所当然的，并想要得到越来越大的奖励避开无聊感。为了做到这一点，需要在学习过程中给一些完全想象 ...继续阅读 (75)

构建一个游戏化体系就如建房子一样，你可以能需要有一个比较全面的自顶向下的了解和设计。比如盖房子，你需要了解一些小规模组件，锤子，钉子等；一些中级概念，比如框架，管道，蓝图等，还有高级抽象概念，比如结构工程，流动性，美学等。对应到游戏化中就是DMC:动力元素（dynamics）,机制元素（mechanics）,组件元素（components）动力元素：游戏化中最抽象的元素，包括：约束：限制或强制的权衡情感：好奇心，竞争力，挫折，幸福感叙事：一直，持续的故事情节的讲述进展：玩家的成长和发展机制元素：推动游戏进程和用户参与的基本流程挑战机会竞争合作反馈资源获取奖励回合获胜状态每个机制元素都是一个或多个动力元素的实现。一个随机事件，就像在没有任何情况下弹出的奖项，可能会激起玩家的好奇心和兴趣（情感），这是可能是让新参与者大户过过瘾或者让有经验的学习者持续参与（如兴趣曲线）的方法。对应到KKB中，一方面需要有一些运营活动，一方面需要有一些LMS 中的持续出其不意的激励。组件元素：是动力和机制的具体形式成就：既定目标。（KKB 中的任务）头像：可视化的用户形象徽章：可视化的成就标示打怪：尤其在一定等级，残酷的挑战中生存（技能书，单元数，知识树）收集：成套徽章的收集和积累战斗：短期的战役内容解锁：只有当玩家达到目标才能解锁（KKB LMS 闯关解锁，微专业LMS 通用，例如codecademy, ...继续阅读 (76)

虽然点数，积分，排行榜不等于游戏化，但是的确大多数的游戏化系统都使用了这三个要素，以至于很多人都会认为游戏化就是PBL(点数，积分，排行榜)。使用PBL得当会发挥巨大作用，但是如果不了解他们的优缺点，是不可能建立起一个成功的游戏化系统。就以在线教育来说明一下如何使用这是三个最普遍的工具。点数：点数是用来激励玩家完成某些任务的，前提是玩家愿意用点数积累更多的工具，或者努力换取点数。这无论对于竞争和手机控都是有用的。有效积分：告诉玩家做的有多好，以及可以划分出不同的等级。“你需要获得1000点才可以晋级到5级表明你已经是’超级玩家’了”在线教育产品设计，增加积分（跟学习和用户激励相关的设计）。以及等级徽章的设计。比如获得50积分，获得100积分可以兑换2KB。2000积分可以兑换一门课程。比如你在获得100积分就可以升级为等级2,荣升二级学习达人。这一方面，比如一些应用，多邻国等就设计的不错。积分与排行榜结合来用。注意：提供反馈。反馈在游戏化中是非常重要的，在产品设计中，运营中，包括在线教育产品的促进用户学习，反馈都是非常重要的因素。点数可以快速简单的实现这一点，是最详细的反馈机制。（注：美国前教育部长说过，用户学习就是激励，激励，激励）随时告诉用户学习到那，学的成果怎么样，每一次测验的成就怎么样在游戏进程和外在奖励之间构建联系。 获得1000点，可以获得一本书。 获得5000点，可 ...继续阅读 (79)

游戏化的五大经验教训奖励会挤出乐趣，不要盲目把外在动机附着在内在动机上。（比如小学生阅读）外在奖励适用于本质上不那么有趣的活动（这一点 适合在线教育，另外像UGC生态，后台建设上传等产品都可以应用游戏化，外在动机可以帮助人们享受那些无聊的活动）协调你的反馈（在游戏中，一个频繁，及时的反馈是很重要的）用户需要意想不到的惊喜：信息反馈可以提高用户的自主性和自我报告的内在动机,这意味着，人们会因意外的成就和奖励而备感惊喜。与那些消极，偶尔发生，可预期的回报（例如你转发100次商品信息，就会得到一个徽章或者成就）不同，得到一个意外的惊喜可以更会激发用户的积极情绪。这是一种变量激励机制。应用：反思一个曾经的案例，我们曾经与百度外卖合作过，看多少视频或者课程，能得到一个外卖。这一点如果采用意想不到的方式，比如看的过程中，判断用户达到可以获得外卖标准，自动给出奖励，并结合分享等方式，会比单纯的固定一个目标好找用户去学习获得奖品会更有利。LMS /CMS 学习时，学到多少，自动弹出一个徽章和积分用户希望在他们表现的如何的问题上得到反馈在游戏中，比如你完成了5个步骤中的三个，会得到反馈“你已经解锁了3个关卡，真棒”对于学习中 的反馈比如学习进度，告诉用户所有情况的学习比如看完一个视频，做完一个作业和测验的情感化反馈等整合内外动机举例：一个学生之所以做数学作业，是因为完不成，他要受到老师的惩罚一个学生 ...继续阅读 (72)

游戏化在在线教育中的应用在讲解应用之前，需要先介绍几个例子：运动是我们大多数人都想去做的事情，但只有很少人能真正做到。我们都明白锻炼的种种好处，却很难激励自己坚持下去。国外一个Fitocracy.com的网站，通过采用升级，完成任务，获得徽章，激励用户走进健身房，fitocracy.com 会跟踪客户的慢跑进度和健身次数，当用户的锻炼进入一个新阶段时，或者分享心得，温馨提示时，给予及时的奖励。Fitocracy.com很了解它的用户：有些人喜欢单独健身，有些人喜欢在竞争中才能表现的更好，为此，Fitocracy.com为用户提供了虚拟的健身决斗擂台，擂台也分为不同的类型。一年时间，用户从1000人到200 000 万人。另一个跟运动相关的例子，就是微信运动，通过与好友之间进行竞争（引入了一个榜单机制），抢占好友页面，好找大家一起运动（行走的力量），这个微信公众账号有多少用户我不清楚，但是我得知这个账号是通过好友之间的口碑传播得知的。后来觉得很不错，又推荐给其他好友，每天下班回家一个乐趣就是看看我走了多少不，在好友中排名多少，有时候甚至会为了抢个第一，去跑步多跑几圈。无论是健身，还是培训员工等，是什么激励用户呢？是动机在线教育也是一样。1.内在动机与外在动机想做某件事的驱动，称之为内在动机，因为这是被内心渴望驱使的。而感觉自己不得不做某事的动机被成为外在动机，因为这种动力来源于外部。 ...继续阅读 (64)

加入了一家创业公司做了一年多的在线教育产品，总结一下这一年来遇到的问题以及产品上的反思。先介绍一下产品的基本背景：产品面向用户：计算机信息相关专业的大学生以及毕业三年之内的IT职场用户产品形态：MOOC ，课程按周放松，需要有老师每周发送公告。背景介绍：MOOC 产品最开始是coursera 等国外MOOC 巨头最先兴起，我们在这过程中参考了coursera 的课程形式。希望老师能参与到学生学习的互动过程中，每周课程开课发送公告，甚至有一些运营手段在里面。然后实际情况却不尽然，因为一个课程的内容是一样的，如果是定期开课介绍一下接下来一周要学习的内容，每周发送公告的内容是差不多的。而在这过程中，我们期望我们的教师【注：教师是我们自己的员工】能像coursera 一样，能认真运营一门课程。然后实际过程中会发现这其中是有区别的，coursera 上的授课老师都是名校名师级别，是真正会去教授一门课程，会每周发送公司，会在论坛里与学生互动，对于这些老师来说，他们几乎不缺什么，是真正的教育者。他们在线上教学也是为了实践教学理论，真正让他们关心的是他们的他们的荣誉。而对于我们的员工来说，对他们而言，每周发课程公告，这只是一份工作，甚至可以说是一份无聊的工作，他们根本不关心教学质量，跟用户的互动，这只是增加了他们的工作量，虽然初期时我们通过行政手段强制这些“老师”去每周发送公告与用户互动，提醒用户 ...继续阅读 (70)