產(chǎn)品經(jīng)理進階：100個案例搞懂人工智能

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(jiān)督學習 13
1．4．2 無監(jiān)督學習 14
1．4．3 半監(jiān)督學習 14
1．4．4 強化學習 15
1．5 產(chǎn)品經(jīng)理的經(jīng)驗之談 16
2 數(shù)據(jù)的準備工作 18
2．1 數(shù)據(jù)預處理 18
2．1．1 為什么要做數(shù)據(jù)預處理 18
2．1．2 數(shù)據(jù)清洗 20
2．1．3 數(shù)據(jù)集成 23
2．1．4 數(shù)據(jù)變換 24
2．1．5 數(shù)據(jù)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(chǎn)品經(jīng)理的經(jīng)驗之談 34
3 了解你手上的數(shù)據(jù) 36
3．1 你真的了解數(shù)據(jù)嗎 36
3．1．1 機器學習的數(shù)據(jù)統(tǒng)計思維 36
3．1．2 數(shù)據(jù)集 37
3．1．3 數(shù)據(jù)維度 41
3．1．4 數(shù)據(jù)類型 42
3．2 讓數(shù)據(jù)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(chǎn)品經(jīng)理的經(jīng)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(shù) 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(chǎn)品經(jīng)理的經(jīng)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(xiàn)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(xiàn) 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(chǎn)品經(jīng)理的經(jīng)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(xiàn)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(chǎn)品經(jīng)理的經(jīng)驗之談 114
7 模擬人類思考過程：神經(jīng)網(wǎng)絡 116
7．1 最簡單的神經(jīng)元模型 116
7．1．1 從生物學到機器學習 116
7．1．2 神經(jīng)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(jīng)網(wǎng)絡與誤差逆?zhèn)鞑ニ惴? 126
7．3．1 從單層到多層神經(jīng)網(wǎng)絡 126
7．3．2 巧用 BP 算法解決計算問題 128
7．4 RBF 神經(jīng)網(wǎng)絡 132
7．4．1 全連接與局部連接 132
7．4．2 改變激活函數(shù) 134
7．5 產(chǎn)品經(jīng)理的經(jīng)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(qū)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(shù)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(shù) 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(chǎn)品經(jīng)理的經(jīng)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(chǎn)品經(jīng)理的經(jīng)驗之談 173
10 透過現(xiàn)象看本質(zhì)，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(xiàn) KNN 算法 176
10．2 從高維到低維的轉換 178
10．2．1 維數(shù)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(chǎn)品經(jīng)理的經(jīng)驗之談 193
11 圖像識別與卷積神經(jīng)網(wǎng)絡 195
11．1 圖像識別的準備工作 195
11．1．1 從電影走進現(xiàn)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(jīng)網(wǎng)絡 202
11．2．1 卷積運算 202
11．2．2 什么是卷積神經(jīng)網(wǎng)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(chǎn)品經(jīng)理的經(jīng)驗之談 215
12 自然語言處理與循環(huán)神經(jīng)網(wǎng)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(huán)神經(jīng)網(wǎng)絡 220
12．2．1 CNN 為什么不能處理文本 220
12．2．2 循環(huán)神經(jīng)網(wǎng)絡登場 222
12．2．3 RNN 的結構 224
12．3 RNN 的實現(xiàn)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(chǎn)品經(jīng)理的經(jīng)驗之談 235
13 AI 繪畫與生成對抗網(wǎng)絡 237
13．1 初識生成對抗網(wǎng)絡 237
13．1．1 貓和老鼠的游戲 237
13．1．2 生成網(wǎng)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(wǎng)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(wǎng)絡的提升 249
13．3．1 強強聯(lián)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(chǎn)品經(jīng)理的經(jīng)驗之談 253
參考資料 255