机器学习将数据转化为见解和自动化。从推荐到欺诈检测，机器学习无处不在。本指南介绍了数字产品的实际应用。
什么是机器学习
定义
从数据中学习模式的算法。
与传统编程的区别
明确的规则与从示例中学习。
类型
有监督、无监督、强化。
产品应用
###推荐
“像你这样的用户也喜欢……”
个性化
每个用户的定制体验。
搜索
相关结果，理解意图。
预测
流失率、生命周期价值、需求。
检测
欺诈、异常、垃圾邮件。
分类
自动分类。
自然语言处理
聊天机器人、情绪分析、提取。
计算机视觉
图像识别、OCR。
推荐系统
协同过滤
基于相似的用户行为。
基于内容
根据物品特性。
混合动力
多种方法的组合。
示例
Netflix、Spotify、亚马逊。
个性化
个性化提要
根据兴趣改编内容。
动态用户界面
界面适应行为。
###时机
何时吸引用户。
动态定价
按细分市场定价（遵循道德关怀）。
智能搜索
查询理解
理解意图，而不仅仅是言语。
相关性排名
按相关性对结果进行排序。
自动完成
明智的建议。
你的意思是
错误修复。
预测
流失预测
识别面临风险的用户。
LTV 预测
预测客户价值。
需求预测
预测库存需求。
倾向
转换的概率。
欺诈检测
###模式
识别可疑行为。
实时
即时决定。
误报
安全性和摩擦力之间的平衡。
产品中的 NLP
聊天机器人
自动化服务。
情感分析
了解用户意见。
文本分类
自动分类。
实体提取
识别文本中的实体。
实施
构建与购买
构建或使用现成的服务？
###MLaaS
AWS、GCP、Azure ML 服务。
开源
TensorFlow、PyTorch、scikit-learn。
数据管道
采集、加工、培训、服务。
数据要求
数量
机器学习需要数据。越多越好。
质量
干净、正确、有代表性的数据。
###特点
与问题相关的变量。
标签
对于监督，您需要标记的示例。
MLOps
管道
机器学习周期的自动化。
监控
模型在生产中工作吗？
再培训
模型退化。更新。
版本控制
模型和数据的版本控制。
风险与注意事项
偏见
模型继承了数据的偏差。
可解释性
您做出决定的原因并不总是很清楚。
###隐私
用于培训的个人数据？
过度拟合
模型仅适用于训练数据。
成本
计算可能很昂贵。
机器学习指标
准确度
总体准确度。
准确率/召回率
假阳性和阴性之间的权衡。
AUC-ROC
模型的一般性能。
业务指标
对产品的实际影响。
何时使用机器学习
适合
- 复杂的图案
- 海量数据
- 重复的决定
- 大规模定制
不适合
- 数据少
- 具有简单规则的明确定义的问题
- 完整的可解释性要求
机器学习团队
数据科学家
开发模型。
机器学习工程师
他们将其投入生产。
产品
定义问题和指标。
合作
业务和技术结合在一起。
结论
机器学习是数字产品的强大工具。从可用数据的明确问题开始，评估构建与购买并持续监控。良好应用的机器学习可以创造卓越的体验。
##常见问题解答
1) 机器学习需要大量数据吗？ 这取决于问题。但通常更多的数据=更好的模型。
2) 我可以使用 ML 作为 API 吗？ 是的。云服务提供现成的机器学习。
3) ML 会取代业务规则吗？ 不一定。它常常起到补充作用。
4) 如何衡量机器学习的成功？ 模型指标+业务指标。
5) 机器学习昂贵吗？ 也许吧。但云可以让您从小事做起。
另请阅读
- 【数字产品中的机器学习：结合实际案例进行规划0
- [数字产品中的机器学习 - 使用清单进行规划1
- [数字产品中的大数据：良好实践与实例2
- 【应用的未来：工具与真实案例3
- [人工智能的应用：规模化实施4
- [人工智能的应用：小团队的实施5