數據現在已經成為新的貨幣，當生活的新規范將推動我們更多地采用數字產品時，數據將在確定消費者行為和個性化數字解決方案方面發揮關鍵作用。

對數字產品的需求將日益增長，并且產品經理的職責也將增加，這將推動他們學習新的技能和技術。我將繼續與其他產品專家分享我的經驗和教訓，以更好地解決消費者問題。

讓我們以對機器學習的簡要了解開始我們的旅程。機器學習是人工智能（AI）的一種應用，它使系統能夠自動學習并從經驗中改進。機器學習主要專注于計算機程序的開發，當暴露于新數據時，計算機程序可以教會自己成長和變化。

機器學習研究用于自學做事的算法。主要目的是允許計算機自動學習，而無需人工干預。

縱觀當前的業務趨勢，所有公司，無論是航空，電子商務，廣告，教育，都在試圖為其消費者提供個性化的產品。如果僅談論印度，我們就有超過6億互聯網用戶，并且每天都有成倍的數據生成，并且不可能手動分析和發現這些數據中的任何模式，這就是機器學習在行動中幫助數據科學家和具有寶貴見解的產品經理。

我將嘗試解釋ML算法的基礎知識，每一個產品經理都應該了解這些知識，以個性化用戶體驗，并有效地工作以理解和解決消費者和業務問題。盡管他們不需要更深入地研究這些算法的編碼和體系結構，但是他們應該了解基礎知識，以便他們了解所構建的內容以及如何構建。

機器學習算法大致分為：

有監督和無監督

監督機器學習算法

監督式機器學習算法從標記的訓練數據中學習，可幫助您預測不可預見的數據的結果。例如，您想培訓一臺機器以幫助您預測從工作場所開車回家要花費多長時間。在這里，您首先創建一組標記數據，例如：

-天氣條件-

一天中的時間

-假日

監督學習是您擁有輸入變量（x）和輸出變量（Y）的地方，并且您使用算法來學習從輸入到輸出的映射函數。

Y = f（X）

監督機器學習算法的流行示例是“線性回歸分析”。

線性回歸分析

線性回歸分析是一種預測建模技術，用于研究因變量和自變量之間的關系。線性回歸的目的是找到一條可以準確描述兩個變量之間實際關系的直線。回歸技術使用訓練數據預測單個輸出值，這可以幫助根據以前的銷售額，GDP增長或其他條件來預測公司的銷售額。

線性回歸：Y = a + bX + u

哪里：

Y =您要預測的變量

X =用于預測Y的變量

a =截距

b =斜率

u =回歸殘差

無監督的機器學習算法

當用于訓練的信息既未分類也未標記時，將使用它們。該系統確實可以找到正確的輸出，但是它可以探索數據，并且可以從數據集中得出干擾，以描述未標記數據中的隱藏結構。無監督學習是僅輸入數據（X）而沒有相應輸出變量的地方。

無監督學習的目標是對數據的基礎結構或分布進行建模，以了解更多有關數據的信息。與無監督學習不同，沒有正確的答案，也沒有老師。算法由他們自己設計，以發現并呈現數據中有趣的結構。所有數據均未標記，算法從輸入數據中學習固有結構。