產品經理進階：100個案例搞懂人工智慧

1 機器學習入門  1
11 什麼是機器學習  1
111 人類學習 VS 機器學習 1
112 機器學習三要素  3
12 什麼問題適合用機器學習方法解決  5
121 必備條件  5
122 機器學習可解決的問題  7
13 機器學習的過程  9
131 機器學習的三個階段  9
132 模型的訓練及選擇  11
14 機器學習的類型  12
141 有監督學習 13
142 無監督學習 14
143 半監督學習 14
144 強化學習  15
15 產品經理的經驗之談  16

2 資料的準備工作  18
21 數據預處理  18
211 為什麼要做資料預處理  18
212 數據清洗  20
213 資料集成  23
214 數據變換  24
215 數據歸約  26
22 特徵工程  27
221 如何進行特徵工程  27
222 特徵構建  27
223 特徵提取  28
224 特徵選擇  31
23 產品經理的經驗之談  34

3 瞭解你手上的資料  36
31 你真的瞭解資料嗎  36
311 機器學習的資料統計思維  36
312 資料集  37
313 數據維度  41
314 資料類型  42
32 讓資料更直觀的方法  43
321 長條圖  43
322 散點圖  44
33 常用的評價模型效果指標  45
331 混淆矩陣  45
332 準確率  46
333 精確率與召回率  47
334 F 值  49
335 ROC 曲線  50
336 AUC 值  54
34 產品經理的經驗之談  55

4 趨勢預測專家：回歸分析  57
41 什麼是回歸分析  57
42 線性回歸  58
421 一元線性回歸  58
422 多元線性回歸  63
43 如何評價回歸模型的效果  66
44 邏輯回歸  68
441 從線性到非線性  68
442 引入 Sigmoid 函數  71
45 梯度下降法  74
451 梯度下降原理  74
452 梯度下降的特點  76
46 產品經理的經驗之談  77

5 最容易理解的分類演算法：決策樹  79
51 生活中的決策樹  79
52 決策樹原理  80
53 決策樹實現過程  82
531 ID3 演算法  83
532 決策樹剪枝 86
54 ID3 演算法的限制與改進  88
541 ID3 演算法存在的問題  88
542 C45 演算法的出現  89
543 CART 演算法  95
544 三種樹的對比  97
55 決策樹的應用  98
56 產品經理的經驗之談