產品經理進階：100個案例搞懂人工智能 ( 簡體 字) |
| 作者：林中翹 | 類別：1. -> 程式設計 -> 人工智慧 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 51615
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：7/1/2019 |
| 頁數：272 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121364983 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：寫作緣由
2016 年，我曾看過一則新聞，講述日本的北海道大學修建了一段不會被大雪覆蓋的道路。其奧秘在于道路邊上鋪設了加熱管，道路中設置了幾個攝像頭，能夠通過圖像識別技術檢測落雪的厚度。加熱管根據落雪的厚度自動調節溫度，這樣做能夠用最低的能耗保持道路不被積雪覆蓋。
這件事帶給我很大的觸動：原來人工智能還能這么玩，做這么酷的事情！人工智能可以幫助我們解決很“大”的問題，大到證券的量化分析、交通資源的動態配置等；也可以幫助我們解決很“小”的問題，小到讓我們走在路上不用受積雪的困擾。這離不開工程師的開發能力，更離不開產品經理發現需求、尋找解決方案的能力。很榮幸
我能成為其中一員，能為人工智能的發展做出一點貢獻。
最初，我剛開始接觸人工智能的時候，學習算法的過程非常痛苦和艱辛，主要原因在于國內外所有人工智能相關的教材幾乎都是面向專業技術員編寫的，通篇都是公式的推導與計算，很少有老師著眼于原理和場景的講解。這對于非專業出身的產品經理來說非常不友好，晦澀難懂的公式實在是難以消化，只能花大量的時間研究資料，
慢慢理解。2018 年，在電子工業出版社鄭柳潔編輯的盛情邀請下，我萌生了為產品經理寫一本算法入門書的想法。在寫作過程中，我一直在思考采用什么形式才能將算法的本質講得通俗易懂，減輕讀者學習的壓力。最終決定以案例講原理，用生動的比喻代替枯燥的公式方式，讓產品經理更容易接受、更容易理解。這也是本書名字的由來。
如果你想成為人工智能領域的產品經理，但又不懂技術、不懂算法，那么本書能夠讓你對人工智能的算法與應用有新的認知和理解，不會再覺得人工智能是一個高不可攀、遙不可及的領域。相反，人工智能是普通人也可以理解、學習和實現的，沒有技術背景的產品經理也能通過學習此書，成為一名優秀的人工智能產品經理。
閱讀建議
本書旨在幫助想要進入人工智能領域的產品經理掌握常見的機器學習、深度學習技術，了解不同技術的應用方式與場景，同時掌握正確的工作方法，在整個產品研發周期中體現出人工智能產品經理的價值。全書共分 13 章，從數據如何處理開始，到模型調優，再到算法的原理與商業化應用，由淺入深，探索人工智能的奧秘。建議讀
者按照章節順序閱讀，以便對機器學習有系統的認識。
第 1 章主要介紹什么是機器學習，以及哪些問題適合用機器學習來解決。當你對機器學習有一個初步認識后，我們再具體學習機器學習有哪些步驟，如何選擇模型，以及機器學習可以分為哪些類別。
第 2 章主要介紹數據預處理的各種方法。在實際的項目中，最初拿到手的原始數據總是存在各種各樣的問題，為了讓模型更好地學習數據中的規律，我們采用數據預處理的方法對原始數據進行加工。
第 3 章主要介紹數據的探索方法與模型的評價指標。通過對數據本質、可視化方式及模型指標三方面的探索，讓產品經理對數據有更深刻的認識與理解。掌握數據的基本概念可以讓我們在收集數據及進行數據預處理時更有針對性，知道哪些是不符合要求的數據，哪些是有價值的數據。
第 4~8 章主要介紹五大機器學習基礎算法——回歸分析、決策樹、樸素貝葉斯、神經網絡和支持向量機，它們的基本原理、應用場景，以及在模型開發的過程中產品經理如何有效地解決問題。
第 9~10 章主要介紹集成與降維算法，這兩類比較特殊的機器學習算法能夠有效提升機器學習的效果。
第 11~13 章主要介紹深度學習在圖像識別、自然語言處理與 AI 繪畫三個方向的發展與成果。深度學習已經成為計算機視覺、語音識別和許多其他領域中機器學習的主要方法，因此也是產品經理必須關注、了解的重要領域。
致謝
感謝家人給我的大力支持，特別感謝我的妻子張容煥一直以來對我的理解與鼓勵。
感謝深大互聯網圈、十八羅漢工作室對本書的支持，感謝王正勇對本書的指導與幫助。
感謝平安科技同仁，感謝姜凱英、王仲秋等領導對本書的支持。
感謝電子工業出版社策劃編輯鄭柳潔為本書出版所付出的辛苦和努力。
最后，由于作者的水平有限，書中難免存在一些錯誤或不準確的地方，懇請讀者
批評指正。如你遇到任何不解的問題，或想提出寶貴意見，請添加微信號
與作者交流，期待能夠得到你的真誠反饋。 |
內容簡介：本書根據人工智能領域產品經理的能力要求與知識體系，從原理到應用介紹人工智能的相關技術，全面闡述如何進階為一名合格的人工智能產品經理。本書共分為13章，其中第1~3章介紹機器學習能做什么及如何去做，第4~10章介紹7種基礎算法的原理與商業化應用，第11~13章介紹深度學習在圖像識別、自然語言處理與AI繪畫三個方向的發展與成果。本書不局限于從數學角度推導各類機器學習算法的原理，而是配合大量案例，由淺入深地講述什么是機器學習、機器學習如何解決問題及機器學習需要產品經理做什么。本書能夠幫助初入人工智能領域的產品經理建立對算法的理解，并將這些知識融入不同領域的業務中，發現更多的應用場景，創造更多的應用可能。 |
目錄：1 機器學習入門 ............. 1
1.1 什么是機器學習 ........... 1
1.1.1 人類學習 VS 機器學習........ 1
1.1.2 機器學習三要素 ......... 3
1.2 什么問題適合用機器學習方法解決 ....... 5
1.2.1 必備條件 .......... 5
1.2.2 機器學習可解決的問題 ......... 7
1.3 機器學習的過程 ........... 9
1.3.1 機器學習的三個階段 ......... 9
1.3.2 模型的訓練及選擇 ......... 11
1.4 機器學習的類型 ........... 12
1.4.1 有監督學習........... 13
1.4.2 無監督學習........... 14
1.4.3 半監督學習........... 14
1.4.4 強化學習 .......... 15
1.5 產品經理的經驗之談 ......... 16
2 數據的準備工作 ........... 18
2.1 數據預處理 ........... 18
2.1.1 為什么要做數據預處理 ......... 18
2.1.2 數據清洗 .......... 20
2.1.3 數據集成 .......... 23
2.1.4 數據變換 .......... 24
2.1.5 數據歸約 .......... 26
2.2 特征工程 ............. 27
2.2.1 如何進行特征工程 ......... 27
2.2.2 特征構建 .......... 27
2.2.3 特征提取 .......... 28
2.2.4 特征選擇 .......... 31
2.3 產品經理的經驗之談 ......... 34
3 了解你手上的數據 ............ 36
3.1 你真的了解數據嗎 ........... 36
3.1.1 機器學習的數據統計思維 ....... 36
3.1.2 數據集 ............ 37
3.1.3 數據維度 .......... 41
3.1.4 數據類型 .......... 42
3.2 讓數據更直觀的方法 ......... 43
3.2.1 直方圖 ............ 43
3.2.2 散點圖 ............ 44
3.3 常用的評價模型效果指標 ......... 45
3.3.1 混淆矩陣 .......... 45
3.3.2 準確率 ............ 46
3.3.3 精確率與召回率 ......... 47
3.3.4 F 值 ........... 49
3.3.5 ROC 曲線 ........... 50
3.3.6 AUC 值 ........... 54
3.4 產品經理的經驗之談 ......... 55
4 趨勢預測專家：回歸分析 .......... 57
4.1 什么是回歸分析 ........... 57
4.2 線性回歸 ............. 58
4.2.1 一元線性回歸 ......... 58
4.2.2 多元線性回歸 ......... 63
4.3 如何評價回歸模型的效果 ......... 66
4.4 邏輯回歸 ............. 68
4.4.1 從線性到非線性 ......... 68
4.4.2 引入 Sigmoid 函數 ......... 71
4.5 梯度下降法 ........... 74
4.5.1 梯度下降原理 ......... 74
4.5.2 梯度下降的特點 ......... 76
4.6 產品經理的經驗之談 ......... 77
5 最容易理解的分類算法：決策樹 ......... 79
5.1 生活中的決策樹 ........... 79
5.2 決策樹原理 ........... 80
5.3 決策樹實現過程 ........... 82
5.3.1 ID3 算法 ........... 83
5.3.2 決策樹剪枝........... 86
5.4 ID3 算法的限制與改進 .......... 88
5.4.1 ID3 算法存在的問題 ......... 88
5.4.2 C4.5 算法的出現 .......... 89
5.4.3 CART 算法 ........... 95
5.4.4 三種樹的對比 ......... 97
5.5 決策樹的應用 ........... 98
5.6 產品經理的經驗之談 ......... 99
6 垃圾郵件克星：樸素貝葉斯算法 ......... 101
6.1 什么是樸素貝葉斯 ........... 101
6.1.1 一個流量預測的場景 ......... 101
6.1.2 樸素貝葉斯登場 ......... 102
6.2 樸素貝葉斯如何計算 ......... 103
6.2.1 理論概率與條件概率 ......... 103
6.2.2 引入貝葉斯定理 ......... 105
6.2.3 貝葉斯定理有什么用 ......... 107
6.3 樸素貝葉斯的實際應用 ......... 108
6.3.1 垃圾郵件的克星 ......... 108
6.3.2 樸素貝葉斯的實現過程 ....... 111
6.4 進一步的提升 ........... 112
6.4.1 詞袋子困境........... 112
6.4.2 多項式模型與伯努利模型 ....... 113
6.5 產品經理的經驗之談 ......... 114
7 模擬人類思考過程：神經網絡 ........ 116
7.1 最簡單的神經元模型 ......... 116
7.1.1 從生物學到機器學習 ......... 116
7.1.2 神經元模型........... 118
7.2 感知機 ............. 121
7.2.1 基礎感知機原理 ......... 121
7.2.2 感知機的限制 ......... 125
7.3 多層神經網絡與誤差逆傳播算法 ....... 126
7.3.1 從單層到多層神經網絡 ....... 126
7.3.2 巧用 BP 算法解決計算問題 ........ 128
7.4 RBF 神經網絡 .......... 132
7.4.1 全連接與局部連接 ......... 132
7.4.2 改變激活函數 ......... 134
7.5 產品經理的經驗之談 ......... 136
8 求解支持向量機 ........... 138
8.1 線性支持向量機 ........... 138
8.1.1 區分咖啡豆........... 138
8.1.2 支持向量來幫忙 ......... 139
8.2 線性支持向量機推導過程 ......... 140
8.2.1 SVM 的數學定義 ......... 140
8.2.2 拉格朗日乘子法 ......... 143
8.2.3 對偶問題求解 ......... 146
8.2.4 SMO 算法 ........... 147
8.3 非線性支持向量機與核函數 ......... 148
8.4 軟間隔支持向量機 ........... 150
8.5 支持向量機的不足之處 ......... 152
8.6 產品經理的經驗之談 ......... 153
9 要想模型效果好，集成算法少不了 ....... 155
9.1 個體與集成 ........... 155
9.1.1 三個臭皮匠賽過諸葛亮 ....... 155
9.1.2 人多一定力量大嗎 ......... 157
9.2 Boosting 族算法 ........... 158
9.2.1 Boosting 是什么 ......... 158
9.2.2 AdaBoost 如何增強 ........ 160
9.2.3 梯度下降與決策樹集成 ....... 163
9.3 Bagging 族算法 .......... 166
9.3.1 Bagging 是什么 .......... 166
9.3.2 隨機森林算法 ......... 168
9.4 兩類集成算法的對比 ......... 171
9.5 產品經理的經驗之談 ......... 173
10 透過現象看本質，全靠降維來幫忙 ....... 175
10.1 K 近鄰學習法 ........... 175
10.1.1 “人以群分”的算法 ......... 175
10.1.2 如何實現 KNN 算法 ........ 176
10.2 從高維到低維的轉換 ......... 178
10.2.1 維數過高帶來的問題 ....... 178
10.2.2 什么是降維 ......... 179
10.3 主成分分析法 ........... 180
10.3.1 PCA 原理 .......... 180
10.3.2 PCA 的特點與作用 ........ 184
10.4 線性判別分析法 ........... 186
10.5 流形學習算法 ........... 189
10.6 產品經理的經驗之談 ......... 193
11 圖像識別與卷積神經網絡 ......... 195
11.1 圖像識別的準備工作 ......... 195
11.1.1 從電影走進現實 ......... 195
11.1.2 圖像的表達 ......... 196
11.1.3 圖像采集與預處理 ......... 199
11.2 卷積神經網絡 ........... 202
11.2.1 卷積運算 ........... 202
11.2.2 什么是卷積神經網絡 ....... 205
11.3 人臉識別技術 ........... 211
11.3.1 人臉檢測 ........... 211
11.3.2 人臉識別 ........... 212
11.3.3 人臉識別的效果評價方法 ....... 214
11.4 產品經理的經驗之談 ......... 215
12 自然語言處理與循環神經網絡 ........ 217
12.1 自然語言處理概述 ......... 217
12.1.1 什么是自然語言處理 ....... 217
12.1.2 為什么計算機難以理解語言 ....... 219
12.2 初識循環神經網絡 ......... 220
12.2.1 CNN 為什么不能處理文本 ...... 220
12.2.2 循環神經網絡登場 ......... 222
12.2.3 RNN 的結構 ......... 224
12.3 RNN 的實現方式 ........... 228
12.3.1 引入 BPTT 求解 RNN ........ 228
12.3.2 梯度消失問題 ......... 230
12.4 RNN 的提升 ........... 231
12.4.1 長期依賴問題 ......... 231
12.4.2 處理長序列能手——LSTM ...... 232
12.5 產品經理的經驗之談 ......... 235
13 AI 繪畫與生成對抗網絡 ......... 237
13.1 初識生成對抗網絡 ......... 237
13.1.1 貓和老鼠的游戲 ......... 237
13.1.2 生成網絡是什么 ......... 240
13.1.3 判別檢驗 ........... 244
13.1.4 生成對抗的過程 ......... 244
13.2 生成對抗網絡的應用 ......... 246
13.2.1 GAN 的特點 ......... 246
13.2.2 GAN 的應用場景 ......... 247
13.3 生成對抗網絡的提升 ......... 249
13.3.1 強強聯合的 DCGAN ........ 249
13.3.2 通過 BEGAN 化繁為簡 ....... 251
13.3.3 對 GAN 的更多期待 ........ 252
13.4 產品經理的經驗之談 ......... 253
參考資料 ............. 255 |
| 序： |
