產(chǎn)品經(jīng)理進(jìn)階：100個(gè)案例搞懂人工智能

目錄
1 機(jī)器學(xué)習(xí)入門 1
1．1 什么是機(jī)器學(xué)習(xí) 1
1．1．1 人類學(xué)習(xí) VS 機(jī)器學(xué)習(xí) 1
1．1．2 機(jī)器學(xué)習(xí)三要素 3
1．2 什么問(wèn)題適合用機(jī)器學(xué)習(xí)方法解決 5
1．2．1 必備條件 5
1．2．2 機(jī)器學(xué)習(xí)可解決的問(wèn)題 7
1．3 機(jī)器學(xué)習(xí)的過(guò)程 9
1．3．1 機(jī)器學(xué)習(xí)的三個(gè)階段 9
1．3．2 模型的訓(xùn)練及選擇 11
1．4 機(jī)器學(xué)習(xí)的類型 12
1．4．1 有監(jiān)督學(xué)習(xí) 13
1．4．2 無(wú)監(jiān)督學(xué)習(xí) 14
1．4．3 半監(jiān)督學(xué)習(xí) 14
1．4．4 強(qiáng)化學(xué)習(xí) 15
1．5 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)之談 16
2 數(shù)據(jù)的準(zhǔn)備工作 18
2．1 數(shù)據(jù)預(yù)處理 18
2．1．1 為什么要做數(shù)據(jù)預(yù)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(jìn)行特征工程 27
2．2．2 特征構(gòu)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(yàn)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(jī)器學(xué)習(xí)的數(shù)據(jù)統(tǒng)計(jì)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(diǎn)圖 44
3．3 常用的評(píng)價(jià)模型效果指標(biāo) 45
3．3．1 混淆矩陣 45
3．3．2 準(zhǔn)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(yàn)之談 55
4 趨勢(shì)預(yù)測(cè)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(píng)價(jià)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(diǎn) 76
4．6 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)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(shí)現(xiàn)過(guò)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(jìn) 88
5．4．1 ID3 算法存在的問(wèn)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(duì)比 97
5．5 決策樹的應(yīng)用 98
5．6 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)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(gè)流量預(yù)測(cè)的場(chǎng)景 101
6．1．2 樸素貝葉斯登場(chǎng) 102
6．2 樸素貝葉斯如何計(jì)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(shí)際應(yīng)用 108
6．3．1 垃圾郵件的克星 108
6．3．2 樸素貝葉斯的實(shí)現(xiàn)過(guò)程 111
6．4 進(jìn)一步的提升 112
6．4．1 詞袋子困境 112
6．4．2 多項(xiàng)式模型與伯努利模型 113
6．5 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)之談 114
7 模擬人類思考過(guò)程：神經(jīng)網(wǎng)絡(luò) 116
7．1 最簡(jiǎn)單的神經(jīng)元模型 116
7．1．1 從生物學(xué)到機(jī)器學(xué)習(xí) 116
7．1．2 神經(jīng)元模型 118
7．2 感知機(jī) 121
7．2．1 基礎(chǔ)感知機(jī)原理 121
7．2．2 感知機(jī)的限制 125
7．3 多層神經(jīng)網(wǎng)絡(luò)與誤差逆?zhèn)鞑ニ惴? 126
7．3．1 從單層到多層神經(jīng)網(wǎng)絡(luò) 126
7．3．2 巧用 BP 算法解決計(jì)算問(wèn)題 128
7．4 RBF 神經(jīng)網(wǎng)絡(luò) 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(yàn)之談 136
8 求解支持向量機(jī) 138
8．1 線性支持向量機(jī) 138
8．1．1 區(qū)分咖啡豆 138
8．1．2 支持向量來(lái)幫忙 139
8．2 線性支持向量機(jī)推導(dǎo)過(guò)程 140
8．2．1 SVM 的數(shù)學(xué)定義 140
8．2．2 拉格朗日乘子法 143
8．2．3 對(duì)偶問(wèn)題求解 146
8．2．4 SMO 算法 147
8．3 非線性支持向量機(jī)與核函數(shù) 148
8．4 軟間隔支持向量機(jī) 150
8．5 支持向量機(jī)的不足之處 152
8．6 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)之談 153
9 要想模型效果好，集成算法少不了 155
9．1 個(gè)體與集成 155
9．1．1 三個(gè)臭皮匠賽過(guò)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(qiáng) 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(jī)森林算法 168
9．4 兩類集成算法的對(duì)比 171
9．5 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)之談 173
10 透過(guò)現(xiàn)象看本質(zhì)，全靠降維來(lái)幫忙 175
10．1 K 近鄰學(xué)習(xí)法 175
10．1．1 “人以群分”的算法 175
10．1．2 如何實(shí)現(xiàn) KNN 算法 176
10．2 從高維到低維的轉(zhuǎn)換 178
10．2．1 維數(shù)過(guò)高帶來(lái)的問(wèn)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(diǎn)與作用 184
10．4 線性判別分析法 186
10．5 流形學(xué)習(xí)算法 189
10．6 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)之談 193
11 圖像識(shí)別與卷積神經(jīng)網(wǎng)絡(luò) 195
11．1 圖像識(shí)別的準(zhǔn)備工作 195
11．1．1 從電影走進(jìn)現(xiàn)實(shí) 195
11．1．2 圖像的表達(dá) 196
11．1．3 圖像采集與預(yù)處理 199
11．2 卷積神經(jīng)網(wǎng)絡(luò) 202
11．2．1 卷積運(yùn)算 202
11．2．2 什么是卷積神經(jīng)網(wǎng)絡(luò) 205
11．3 人臉識(shí)別技術(shù) 211
11．3．1 人臉檢測(cè) 211
11．3．2 人臉識(shí)別 212
11．3．3 人臉識(shí)別的效果評(píng)價(jià)方法 214
11．4 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)之談 215
12 自然語(yǔ)言處理與循環(huán)神經(jīng)網(wǎng)絡(luò) 217
12．1 自然語(yǔ)言處理概述 217
12．1．1 什么是自然語(yǔ)言處理 217
12．1．2 為什么計(jì)算機(jī)難以理解語(yǔ)言 219
12．2 初識(shí)循環(huán)神經(jīng)網(wǎng)絡(luò) 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(luò)登場(chǎng) 222
12．2．3 RNN 的結(jié)構(gòu) 224
12．3 RNN 的實(shí)現(xiàn)方式 228
12．3．1 引入 BPTT 求解 RNN 228
12．3．2 梯度消失問(wèn)題 230
12．4 RNN 的提升 231
12．4．1 長(zhǎng)期依賴問(wèn)題 231
12．4．2 處理長(zhǎng)序列能手――LSTM 232
12．5 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)之談 235
13 AI 繪畫與生成對(duì)抗網(wǎng)絡(luò) 237
13．1 初識(shí)生成對(duì)抗網(wǎng)絡(luò) 237
13．1．1 貓和老鼠的游戲 237
13．1．2 生成網(wǎng)絡(luò)是什么 240
13．1．3 判別檢驗(yàn) 244
13．1．4 生成對(duì)抗的過(guò)程 244
13．2 生成對(duì)抗網(wǎng)絡(luò)的應(yīng)用 246
13．2．1 GAN 的特點(diǎn) 246
13．2．2 GAN 的應(yīng)用場(chǎng)景 247
13．3 生成對(duì)抗網(wǎng)絡(luò)的提升 249
13．3．1 強(qiáng)強(qiáng)聯(lián)合的 DCGAN 249
13．3．2 通過(guò) BEGAN 化繁為簡(jiǎn) 251
13．3．3 對(duì) GAN 的更多期待 252
13．4 產(chǎn)品經(jīng)理的經(jīng)驗(yàn)之談 253
參考資料 255