设计师该不该写代码一直是个争论不休的话题。通常来说，人们都认为设计师应该懂点代码。首先，这能帮助设计师理解开发实现上的局限性，使他们对开发者有更多的同理心。其次，它还能让设计师不再局限于追求极致像素，在解决问题时考虑更多。正因如此，设计师应该对代码有所了解，特别是最近火热的“机器学习”。
（译注：机器学习是人工智能的一个分支。它已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。——维基百科 ）
简单来说，机器学习的研究领域是：“让机器在没有进行明确编程的前提下具备自我学习的能力”（Arthur Samuel, 1959）。尽管Arthur Samuel在50年前就创造了这个词汇，但是直到近几年我们才看到了机器学习那些令人兴奋的实际应用—智能助手、自动驾驶和无垃圾广告的邮箱等。
在过去的几十年间，新的算法、更好的硬件和更多的数据让机器学习的效率提高了一个数量级。短短几年内，亚马逊、谷歌、苹果等公司陆续向开发者开源了他们的机器学习工具。现在正是你了解机器学习，并将它应用到你的产品上的最好时机。
为什么机器学习对设计师来说是重要的？
随着机器学习的普及，如今设计师们可以考虑如何用机器学习来优化产品。设计师们应该提前了解应作何准备工作，以及确定预期的产出物是什么，这样才能与开发者们探讨实现的可能性。以下几个应用实例应该能提供一些灵感。
个性化的体验
机器学习通过为用户提供个性化的体验，来打造以用户为中心的产品。以此提升诸如推荐、搜索、信息推送以及广告等功能的体验。
（译注：近年迅速崛起的抖音和今日头条就是靠着强大的智能推荐算法为用户量身定制消费内容，以此来优化浏览体验，提升用户留存。 ）
识别异常
机器学习能高效地识别异常内容。信用卡机构用它来侦测骗局，邮件供应商用它来侦测垃圾邮件，社交媒体公司用它来侦测仇恨言论之类的内容。
创造新的交互方式
机器学习让计算机开始能理解我们在说什么（自然语言处理）以及我们看到了什么（计算机视觉）。这让Siri能明白“Siri，给我设个闹钟…”，让谷歌图片能为你的狗狗专门创建一个相册，还让Facebook能向视障者描述一张图片。
提供深度解析
机器学习还能帮助我们了解用户群的分类。这样的深度解析能被进一步用于每个分类之间的分析研究。这种能力能帮助评估不同功能点对跨用户类别或某个特定类别的用户的影响。
预加载内容
机器学习能帮助预测用户下一步的行为，为用户的下一步动作做准备。举个例子，如果能预测到用户打算看什么样的内容，我们就可以预加载这些内容来让它们在需要的时候快速呈现出来。
机器学习的类型
选择何种类型的机器学习算法取决于具体的应用场景和可获取的数据类型。接下来将简单地概括下每种类型。
监督学习（supervised learning）
监督学习能用标记数据来进行预测。标记数据是一组包含了许多信息标签或产物的样本集。例如，一张图片上的相关话题标签，一所房子的特征（如：卧室数量、地理位置）和它的价格。
通过监督学习，我们能根据标记数据画出一条线，以此将数据拆分成不同的类别，或用来表示数据的趋势。通过这条线，我们能对新数据进行预测。比如，研究新的照片并预测它的话题标签，或者研究新房的特征并预测它的价格走向。
如果预测的产出物是一串标签或值，我们称之为“分类”（classification）。如果预测的产出物是一个数字，我们称之为“回归”（regression）。
非监督学习（unsupervised learning）
当我们拥有的是无标记数据或我们无法准确确定什么样的产出物有意义的时候（如图像的话题标签或房子的价格），无监督学习就派上用场了。与监督学习不同的是，非监督学习能识别出无标记数据之间的模型。例如，我们能在一个电商网站上识别出相关的商品，或基于他人的相似购买行为来推荐商品给某人。
如果这个模型是一个集合，我们称之为一个“聚类”（cluster）。如果这个集合是一条规则（例，假如a，那么b），我们称之为一个“关联”（association）。
强化学习（reinforcement learning）
强化学习不直接使用现存的数据集。相对应地，我们会让数据通过环境内的试错后获得一个奖励来强化它，并建立一个代理（agent）将这些自身数据收集起来。例如一种能学习如何玩超级玛丽的代理会以收集硬币作为积极的奖励，将踩到Goomba（马里奥游戏里的小乌龟）作为消极的奖励。
强化学习的灵感来源于人类学习的方式，事实证明它也是我们教给电脑的一种有效学习方式。值得一提的是，强化学习在训练电脑玩游戏上有显著的成效，如alpha-GO和Dota。
几个思考
什么方法是可行的？
你想解决的问题和能得到的数据将限定了你可以使用的机器学习类型（比如：用监督学习来识别图像中的物体需要用到一组图像的标记数据集）。然而，这种约束也是创造力的成果。在某些情况下，你可以尝试收集一些尚未获得的数据或考虑其他的方法。
误差的范围有多大？
尽管机器学习是一门科学，但它仍然是会有误差的。如何衡量这种误差在用户体验中的影响是至关重要的。打个比方，当一辆自动驾驶汽车无法识别出它周围的人时，可能会对他们造成伤害。
这一切是否值得？
尽管机器学习从未像现在这样触手可及，它仍需要更多的资源（开发者和时间）来将之集成到产品中。所以，考量将机器学习应用于实际的产品中时，需要明确投入产出比。
结语
虽然我们仅仅揭露了冰山一角，但希望这些能对你在思考“如何将机器学习应用到你的产品中”能有些许帮助。如果你对深入了解机器学习有兴趣，这里有一些干货：
Machine Learning for Humans — Simple, plain-English explanations accompanied by math, code, and real-world examples.
Machine Learning Algorithms: Which One to Choose for Your Problem — Tips for developing an intuition for picking a machine learning algorithm to apply to a problem.
Machine Learning is Fun! — A slightly more technical series that walks through implementing a machine learning example.
Neural Networks by 3Blue1Brown — A collection of engaging, technical Youtube videos that step through what are neural networks and how they work.
Andrew Ng’s Machine Learning Course — Highly rated technical course that broadly covers many areas within machine learning.
作者：Sam Drozdov
翻译：门卫阿伯
原文：https://uxdesign.cc/an-intro-to-machine-learning-for-designers-5c74ba100257
