内容简介
本书根据人工智能领域产品经理的能力要求与知识体系，从原理到应用介绍人工智能的相关技术，全面阐述如何进阶为一名合格的人工智能产品经理。本书共分为13章，其中第1~3章介绍机器学习能做什么及如何去做，第4~10章介绍7种基础算法的原理与商业化应用，第11~13章介绍深度学习在图像识别、自然语言处理与AI绘画三个方向的发展与成果。本书不局限于从数学角度推导各类机器学习算法的原理，而是配合大量案例，由浅入深地讲述什么是机器学习、机器学习如何解决问题及机器学习需要产品经理做什么。本书能够帮助初入人工智能领域的产品经理建立对算法的理解，并将这些知识融入不同领域的业务中，发现更多的应用场景，创造更多的应用可能。作者简介：
林中翘，平安科技资深产品经理，负责集团数据平台建设与大数据应用，擅长人工智能技术在金融领域的商业化应用，曾主导平安电话平台智能进线识别、寿险新渠道产能提升、ONES平台建设等多个项目。人人都是产品经理社区与PMCAFF社区专栏作家。目 录：
目录1 机器学习入门 ....................................................................................................... 1
1.1 什么是机器学习 ........................................................................................... 1
1.1.1 人类学习 VS 机器学习.................................................................. 1
1.1.2 机器学习三要素 ............................................................................... 3
1.2 什么问题适合用机器学习方法解决 ........................................................... 5
1.2.1 必备条件 .......................................................................................... 5
1.2.2 机器学习可解决的问题 ................................................................... 7
1.3 机器学习的过程 ........................................................................................... 9
1.3.1 机器学习的三个阶段 ....................................................................... 9
1.3.2 模型的训练及选择 ......................................................................... 11
1.4 机器学习的类型 ......................................................................................... 12
1.4.1 有监督学习..................................................................................... 13
1.4.2 无监督学习..................................................................................... 14
1.4.3 半监督学习..................................................................................... 14
1.4.4 强化学习 ........................................................................................ 15
1.5 产品经理的经验之谈 ................................................................................. 16
2 数据的准备工作 ................................................................................................. 18
2.1 数据预处理 ................................................................................................. 18
2.1.1 为什么要做数据预处理 ................................................................. 18
2.1.2 数据清洗 ........................................................................................ 20
2.1.3 数据集成 ........................................................................................ 23
2.1.4 数据变换 ........................................................................................ 24
2.1.5 数据归约 ........................................................................................ 26
2.2 特征工程 ..................................................................................................... 27
2.2.1 如何进行特征工程 ......................................................................... 27
2.2.2 特征构建 ........................................................................................ 27
2.2.3 特征提取 ........................................................................................ 28
2.2.4 特征选择 ........................................................................................ 31
2.3 产品经理的经验之谈 ................................................................................. 34
3 了解你手上的数据 ............................................................................................ 36
3.1 你真的了解数据吗 ..................................................................................... 36
3.1.1 机器学习的数据统计思维 ............................................................. 36
3.1.2 数据集 ............................................................................................ 37
3.1.3 数据维度 ........................................................................................ 41
3.1.4 数据类型 ........................................................................................ 42
3.2 让数据更直观的方法 ................................................................................. 43
3.2.1 直方图 ............................................................................................ 43
3.2.2 散点图 ............................................................................................ 44
3.3 常用的评价模型效果指标 ......................................................................... 45
3.3.1 混淆矩阵 ........................................................................................ 45
3.3.2 准确率 ............................................................................................ 46
3.3.3 精确率与召回率 ............................................................................. 47
3.3.4 F 值 ................................................................................................. 49
3.3.5 ROC 曲线 ....................................................................................... 50
3.3.6 AUC 值 ........................................................................................... 54
3.4 产品经理的经验之谈 ................................................................................. 55
4 趋势预测专家：回归分析 ................................................................................ 57
4.1 什么是回归分析 ......................................................................................... 57
4.2 线性回归 ..................................................................................................... 58
4.2.1 一元线性回归 ................................................................................. 58
4.2.2 多元线性回归 ................................................................................. 63
4.3 如何评价回归模型的效果 ......................................................................... 66
4.4 逻辑回归 ..................................................................................................... 68
4.4.1 从线性到非线性 ............................................................................. 68
4.4.2 引入 Sigmoid 函数 ......................................................................... 71
4.5 梯度下降法 ................................................................................................. 74
4.5.1 梯度下降原理 ................................................................................. 74
4.5.2 梯度下降的特点 ............................................................................. 76
4.6 产品经理的经验之谈 ................................................................................. 77
5 最容易理解的分类算法：决策树 ................................................................... 79
5.1 生活中的决策树 ......................................................................................... 79
5.2 决策树原理 ................................................................................................. 80
5.3 决策树实现过程 ......................................................................................... 82
5.3.1 ID3 算法 ......................................................................................... 83
5.3.2 决策树剪枝..................................................................................... 86
5.4 ID3 算法的限制与改进 .............................................................................. 88
5.4.1 ID3 算法存在的问题 ..................................................................... 88
5.4.2 C4.5 算法的出现 ............................................................................ 89
5.4.3 CART 算法 ..................................................................................... 95
5.4.4 三种树的对比 ................................................................................. 97
5.5 决策树的应用 ............................................................................................. 98
5.6 产品经理的经验之谈 ...............................................................................