产品经理进阶：100个案例搞懂人工智能

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。

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。

与市面上已有AI产品经理书相比，《产品经理进阶：100个案例搞懂人工智能》的特色在于：

√ 从技术实操角度入手，结合产品经理日常工作需求，分享干货知识

√ 梳理了机器学习的清晰脉络和关键知识点，让读者知其然，更知其所以然

√ 丰富小案例贯穿全书，帮助0基础读者入门

写作缘由

2016 年，我曾看过一则新闻，讲述日本的北海道大学修建了一段不会被大雪覆盖的道路。其奥秘在于道路边上铺设了加热管，道路中设置了几个摄像头，能够通过图像识别技术检测落雪的厚度。加热管根据落雪的厚度自动调节温度，这样做能够用最低的能耗保持道路不被积雪覆盖。

这件事带给我很大的触动：原来人工智能还能这么玩，做这么酷的事情！人工智能可以帮助我们解决很“大”的问题，大到证券的量化分析、交通资源的动态配置等；也可以帮助我们解决很“小”的问题，小到让我们走在路上不用受积雪的困扰。这离不开工程师的开发能力，更离不开产品经理发现需求、寻找解决方案的能力。很荣幸我能成为其中一员，能为人工智能的发展做出一点贡献。

最初，我刚开始接触人工智能的时候，学习算法的过程非常痛苦和艰辛，主要原因在于国内外所有人工智能相关的教材几乎都是面向专业技术员编写的，通篇都是公式的推导与计算，很少有老师着眼于原理和场景的讲解。这对于非专业出身的产品经理来说非常不友好，晦涩难懂的公式实在是难以消化，只能花大量的时间研究资料，慢慢理解。2018 年，在电子工业出版社郑柳洁编辑的盛情邀请下，我萌生了为产品经理写一本算法入门书的想法。在写作过程中，我一直在思考采用什么形式才能将算法的本质讲得通俗易懂，减轻读者学习的压力。最终决定以案例讲原理，用生动的比喻代替枯燥的公式方式，让产品经理更容易接受、更容易理解。这也是本书名字的由来。

如果你想成为人工智能领域的产品经理，但又不懂技术、不懂算法，那么本书能够让你对人工智能的算法与应用有新的认知和理解，不会再觉得人工智能是一个高不可攀、遥不可及的领域。相反，人工智能是普通人也可以理解、学习和实现的，没有技术背景的产品经理也能通过学习此书，成为一名优秀的人工智能产品经理。

阅读建议

本书旨在帮助想要进入人工智能领域的产品经理掌握常见的机器学习、深度学习技术，了解不同技术的应用方式与场景，同时掌握正确的工作方法，在整个产品研发周期中体现出人工智能产品经理的价值。全书共分 13 章，从数据如何处理开始，到模型调优，再到算法的原理与商业化应用，由浅入深，探索人工智能的奥秘。建议读者按照章节顺序阅读，以便对机器学习有系统的认识。

第 1 章主要介绍什么是机器学习，以及哪些问题适合用机器学习来解决。当你对机器学习有一个初步认识后，我们再具体学习机器学习有哪些步骤，如何选择模型，以及机器学习可以分为哪些类别。

第 2 章主要介绍数据预处理的各种方法。在实际的项目中，最初拿到手的原始数据总是存在各种各样的问题，为了让模型更好地学习数据中的规律，我们采用数据预处理的方法对原始数据进行加工。

第 3 章主要介绍数据的探索方法与模型的评价指标。通过对数据本质、可视化方式及模型指标三方面的探索，让产品经理对数据有更深刻的认识与理解。掌握数据的基本概念可以让我们在收集数据及进行数据预处理时更有针对性，知道哪些是不符合要求的数据，哪些是有价值的数据。

第 4~8 章主要介绍五大机器学习基础算法——回归分析、决策树、朴素贝叶斯、神经网络和支持向量机，它们的基本原理、应用场景，以及在模型开发的过程中产品经理如何有效地解决问题。

第 9~10 章主要介绍集成与降维算法，这两类比较特殊的机器学习算法能够有效提升机器学习的效果。

第 11~13 章主要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。深度学习已经成为计算机视觉、语音识别和许多其他领域中机器学习的主要方法，因此也是产品经理必须关注、了解的重要领域。

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 99
6 垃圾邮件克星：朴素贝叶斯算法 101
6．1 什么是朴素贝叶斯 101
6．1．1 一个流量预测的场景 101
6．1．2 朴素贝叶斯登场 102
6．2 朴素贝叶斯如何计算 103
6．2．1 理论概率与条件概率 103
6．2．2 引入贝叶斯定理 105
6．2．3 贝叶斯定理有什么用 107
6．3 朴素贝叶斯的实际应用 108
6．3．1 垃圾邮件的克星 108
6．3．2 朴素贝叶斯的实现过程 111
6．4 进一步的提升 112
6．4．1 词袋子困境 112
6．4．2 多项式模型与伯努利模型 113
6．5 产品经理的经验之谈 114
7 模拟人类思考过程：神经网络 116
7．1 最简单的神经元模型 116
7．1．1 从生物学到机器学习 116
7．1．2 神经元模型 118
7．2 感知机 121
7．2．1 基础感知机原理 121
7．2．2 感知机的限制 125
7．3 多层神经网络与误差逆传播算法 126
7．3．1 从单层到多层神经网络 126
7．3．2 巧用 BP 算法解决计算问题 128
7．4 RBF 神经网络 132
7．4．1 全连接与局部连接 132
7．4．2 改变激活函数 134
7．5 产品经理的经验之谈 136
8 求解支持向量机 138
8．1 线性支持向量机 138
8．1．1 区分咖啡豆 138
8．1．2 支持向量来帮忙 139
8．2 线性支持向量机推导过程 140
8．2．1 SVM 的数学定义 140
8．2．2 拉格朗日乘子法 143
8．2．3 对偶问题求解 146
8．2．4 SMO 算法 147
8．3 非线性支持向量机与核函数 148
8．4 软间隔支持向量机 150
8．5 支持向量机的不足之处 152
8．6 产品经理的经验之谈 153
9 要想模型效果好，集成算法少不了 155
9．1 个体与集成 155
9．1．1 三个臭皮匠赛过诸葛亮 155
9．1．2 人多一定力量大吗 157
9．2 Boosting 族算法 158
9．2．1 Boosting 是什么 158
9．2．2 AdaBoost 如何增强 160
9．2．3 梯度下降与决策树集成 163
9．3 Bagging 族算法 166
9．3．1 Bagging 是什么 166
9．3．2 随机森林算法 168
9．4 两类集成算法的对比 171
9．5 产品经理的经验之谈 173
10 透过现象看本质，全靠降维来帮忙 175
10．1 K 近邻学习法 175
10．1．1 “人以群分”的算法 175
10．1．2 如何实现 KNN 算法 176
10．2 从高维到低维的转换 178
10．2．1 维数过高带来的问题 178
10．2．2 什么是降维 179
10．3 主成分分析法 180
10．3．1 PCA 原理 180
10．3．2 PCA 的特点与作用 184
10．4 线性判别分析法 186
10．5 流形学习算法 189
10．6 产品经理的经验之谈 193
11 图像识别与卷积神经网络 195
11．1 图像识别的准备工作 195
11．1．1 从电影走进现实 195
11．1．2 图像的表达 196
11．1．3 图像采集与预处理 199
11．2 卷积神经网络 202
11．2．1 卷积运算 202
11．2．2 什么是卷积神经网络 205
11．3 人脸识别技术 211
11．3．1 人脸检测 211
11．3．2 人脸识别 212
11．3．3 人脸识别的效果评价方法 214
11．4 产品经理的经验之谈 215
12 自然语言处理与循环神经网络 217
12．1 自然语言处理概述 217
12．1．1 什么是自然语言处理 217
12．1．2 为什么计算机难以理解语言 219
12．2 初识循环神经网络 220
12．2．1 CNN 为什么不能处理文本 220
12．2．2 循环神经网络登场 222
12．2．3 RNN 的结构 224
12．3 RNN 的实现方式 228
12．3．1 引入 BPTT 求解 RNN 228
12．3．2 梯度消失问题 230
12．4 RNN 的提升 231
12．4．1 长期依赖问题 231
12．4．2 处理长序列能手――LSTM 232
12．5 产品经理的经验之谈 235
13 AI 绘画与生成对抗网络 237
13．1 初识生成对抗网络 237
13．1．1 猫和老鼠的游戏 237
13．1．2 生成网络是什么 240
13．1．3 判别检验 244
13．1．4 生成对抗的过程 244
13．2 生成对抗网络的应用 246
13．2．1 GAN 的特点 246
13．2．2 GAN 的应用场景 247
13．3 生成对抗网络的提升 249
13．3．1 强强联合的 DCGAN 249
13．3．2 通过 BEGAN 化繁为简 251
13．3．3 对 GAN 的更多期待 252
13．4 产品经理的经验之谈 253
参考资料 255