课代表立正

这期视频介绍了五类人工智能的应用，从牛叉到傻叉。也详细解释了一下为什么他们的效果好和不好。 其实归根结底，还是要了解人工智能适合做什么，明白技术的原理。最后找到适宜的应用。那些傻叉应用，无一例外都是不懂装懂，或者揣着明白装糊涂的人，去借着人工智能的热度来做无用功罢了。

人工智能在媒体描绘下无所不能，但是现实里，发展了十几年的语音助手，只在开关等、查天气等有限场景下真的有用。 业界共识是，按照现有模式积累更多数据和场景，并不能让我们实现范式突破，从弱人工智能进化到强人工智能。 这期视频就把几个媒体炒作带来的普遍认知误区跟大家聊清楚，包括为什么图灵测试不顶用；对话机器人做不出来；人工智能的应用局限在哪里，又再哪里能创造价值，等等

数据科学里的鄙视链的最顶端是机器学习，但是数据科学家真的适合专精机器学习吗？ 在我看来，机器学习里真的有革命性的深度学习，瓶颈和回报都在「工程」而不是「科学」。视频里从成因、现状、未来进行了总结，请配合之前上传的鸭哥深度学习科普视频一起食用。

来自鸭哥：一直想介绍一下对火爆的deep learning的一些科普向观点。比如这玩意到底为什么work，为什么就火了，啥时候work，啥时候不work，有没有有意思的思路。不是一个严谨的技术review，就是单纯的回顾历史探讨直觉。准备了个一小时的slides，先讲个十分钟的预览版看看。更详细的版本下次一定放出来。 鸭哥B站链接：https://www.bilibili.com/video/BV1Fb4y1D7M1

深度学习听起来很玄乎，有的人说不过是统计，有的人说是人工智能，终将取代人类。其实这都是缺乏了解导致的。 这期视频就试图用最简单的方法讲清楚深度学习模型到底的能力边界在哪里，和其牛逼之处在哪里，希望能给你带来一个内行视角。

开始聊数据了，第一期聊一下分类，这样聊起来有个框架。三个大类分别是data engineer；data scientist；data analytics 重点聊一下什么是好的和不好的机器学习科学家，数据分析师又有什么价值。

这期视频讲三件事。第一件是在Clubhouse时候发现很多在校生小伙伴对提升简历的误区 — 把太多时间花在细枝末节上，而忽视了对自己竞争力的提高。这里就讲一下怎样的简历才有竞争力，以及如何提升自己竞争力 第二件就是官宣一下自己频道的正式名字 — 「课代表立正」 第三件是预告接下来的几期或者十几期视频。终于鼓起勇气去分享自己专业的内容了。会分为三加一：人工智能、产品、增长；以及理解互联网产品和生意模式的元框架。

挺散的一期视频，如果你想读博士，或者在读博士，那这视频可能对你有点用。

在亚马逊里面有一群小众神秘的“经济学家”，顶着看起来牛逼闪闪的title，不知道成天都在从事什么样的勾当。 作为前亚马逊经济学家，这期视频就聊一聊经济学家在亚马逊都做什么，发挥什么样的价值。 之前在知乎也写过一篇文章介绍，链接：https://www.zhihu.com/question/62934105/answer/203940716

中国制造的质量领跑全球，但发达国家消费者心中却一直有偏见。想要做好一个品牌，既要做好产品，也要抓住消费者的心智。这期视频就采访了其中翘楚—Outer创始人刘佳科。 Outer在北美竞争激烈的网络直销（DTC）战场上，卖出了除Tesla第二高客单价的商品。让无数顾客因为品牌形象，不需要看到实物，就愿意下单购买户外沙发这样的大件商品。更重要的是，这一切都来自于中国制造。也无外乎Outer成立仅两年，上线仅一年，就获得了红杉和S...

好问题可以让人身心舒适，不好的问题往往会对提问者本身造成印象扣分。 会提问的人可以在形成共识阶段的时候就脱颖而出，而不会提问的人就越来越缺乏存在感。 最近在Clubhouse上密集地问问题和被问问题，发现很多人还不会提问。感觉说清楚这个问题迫在眉睫，于是就出了这期视频，希望从根源上聊清楚这个技能。

很多区块链的从业者（跟风者）都号称区块链能解决信任问题。这其实是个伪需求和伪命题。在这视频里我不涉及任何技术，完全从底层的商业本质去证明其不成立。欢迎反驳

很多能制造”泡沫“的资产，都有一个关键共同点。理解了这个共同点，能帮助我们更好理解资产的定价。从郁金香、学区房、到天价艺术品，莫不例外。GME给了我们很好的例子，就借机讲一下这个让人一夜暴富的属性吧！

AB Testing相信大家都很了解了（不了解的话我做过一期十分钟概览：https://youtu.be/vx15aj-ah1c） AB Testing在Facebook非常普遍，并且对公司文化造成了非常深远的影响，值得一聊。这期就讲讲AB Testing在Facebook为什么这么容易做，和这对公司文化造成了什么样的影响。

采访了身边那些顶级大厂的顶级打工人之后，总结出来了两条看似简单，实则深刻的秘籍。两位Facebook E7学长，都因为在职业生涯初期领悟到了这两条秘籍，而获益匪浅。 本期视频从学长W的职场逆袭出发，将为大家详解这两条秘籍的来龙去脉，希望能为大家带来帮助。

做了这么多期视频，这是我最重视的一期，甚至专门写了文案。 之所以重视，不光是因为采访了很多大牛。更重要这次运气好，总结出来了一条在我看来很稀有的知识，堪比捡到了橙色武器。 说其稀有，一方面特别有用，可以解释很多现象。比如锤子手机为什么失败，比如身边为什么有很多人又愿意take risk，工作又开心。 另一方面又特别可应用，只要想通这件事，任何人都就能快乐地应用起来。甚至在生活中都可以有很多启发。

最近会出几期关于升职的视频，这期视频总结了一下互联网企业中，Senior和Junior做的事情的三个不同。希望有启发。

这次跟Clare与铛铛柳哥合作了一期视频，希望能给大家带来快乐！

Google Pay这次羊毛在微信朋友圈里形成了现象级传播。 可惜，在我看来这次一次注定失败的补贴。趁着舆论还在看好的时候，出来分析一下这次补贴到底是要做什么，和为什么我认为是个失败。 借着热度跟大家讨论讨论，好的补贴应该怎么投。

当时是一个很朴素的想法，就是很多同学没车，纽约的菜又新鲜便宜。能不能做个每周一次的送菜服务。 虽然毕业后就没做下去，但是从中获得了很多第一手的体会。最后对提升自己对产品的感知有特别大的帮助。 于是就把这段特殊的经历总结一下，分享给大家。希望大家虽然没去吃我当时吃的苦，但是也能从这些经历中有所启发。

李自然说-前进四的投稿视频 视频直接拍了没有剪，因为其实我觉得很快想好，并说出来一大段内容还比较连贯的视频，也算是我优势之一。那我就把原片展现给各位评委吧！ 一开始上传成unlisted，后来想想也可以给大家看一下，一个没有剪的原片是什么样子，也许可以鼓励更多人去上传内容，那就公开了吧！

很多小伙伴都问怎么提高自己的product sense。我觉得最好的方法就是去认真了解一些真实的商业。 餐厅就是一个很好的切入点，因为大家经常接触，也有很多想法。对我个人而言，对餐厅从消费者到经营者的视角转变，让我的product sense得到了很多提高。 这期视频就邀请到了两位年轻的餐饮业从业者，跟大家聊一聊开餐馆时候的各种坑。希望为大家提供一些不一样的视角。

很多同学在面试中还没有搞清楚Assumption 和 Hypothesis 的区别。要知道，hypothesis testing可是数据科学家工作的核心了。所以就出了这期视频来一次讲清楚这两个概念。 视频后面，我也分享了我自己对上期Mock Interivew那道题的思路。我定义了产品成功的三个关键阶段，也给出了相应的hypothesis和用什么metircs来衡量。 https://youtu.be/CD3V4Z5hCgM

在大厂里，做一些新项目，是升职的快速通道。这些新项目未必每个都是成功的，但是毙掉一个已经做好的项目很难，也很得罪人。有的公司就干脆睁一只眼闭一只眼了。长此以往会导致很多鸡肋产品存在太久，而产品就会越臃肿，越来越难用。 数据科学家这时候应该有一个中立、科学、全面的态度，去认真衡量每一个产品是否真的对顾客、对公司，有好处。这样的衡量不光应该在前期立项时做，更应该在产品做好后也认真地去衡量，该说不的时候...

很多数据科学小伙伴面试卡在了product sense这一环节。不像统计、编程，product sense是没有什么正确答案的，准备资料也很少。网上能找到一些面经，但是大多数面经都是没面过的人分享的，非常误导。 最有效的准备方式就是mock interivew，但是网上，尤其中文网络，很少有靠谱的资料。一方面，面试官水平不行；另一方面，面试者都表现的很好。但是在一个表现很好的面试中，是看不出问题的。 这次终于找到了一位愿意为大家暴露自己问...