产品经理进阶：100个案例搞懂人工智能

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