微信：18091589062 高级产品经理 钱波
深度学习收到公众关注度越来越高，产业投资也越来越多，想要进入这个行业，产品经理必然要熟悉很多概念，理解这些概念，并且获得相应的案例知识。本章依然和大家一起探讨深度学习的概念和案例，上一章讲了svm，支持向量机。这是一种分类方法。
我们继续来学习分类，为什么是分类？
因为你无时无刻不在分类， 眼之所到，分类为先， 你看到狗和猫，看到汽车和人，看到飞鸟，大脑数据库已经快速帮你分类。甚至是分类以下还有分类，狗就有分类，有金毛，有哈士奇。你还会将你的朋友分类，你会自然说出：这个朋友平时没消息，在结婚时联系我了。
3.1 概率建模
- 朴素贝叶斯分类 什么叫朴素贝叶斯分类？它假设输入的数据都是独立的，这么朴素，名称来源于此。用数学语言表达就是：支持某项属性的事件发生得愈多，则该属性成立的可能性就愈大。假定这个人10天每天早上在5点起床的概率是5点半，那么他第11天在5点左右起床的概率很大，它的极大似然估计根据公式可以算出。
p(B|A) = P(A|B)* P(B) /P(A)
案例一：分词算法
案例二：垃圾邮件过滤。
案例三：评论区过滤不当言论，首先使用分词算法。
这几个案例我们逐渐会为大家解释，不用一下子烧脑太多，因为数学的原因。很多程序员认为数学对于大部分产品无用，这里纠正一下，不是数学无用，而是我们不用，用了，就会发现太多的好处，所以建议无论是程序员和产品经理，都要理解一下数学的实际用处， 不过中国的教育确实也让中国的大学生较为苦楚，因为在教学的过程中，往往得不到实际的用法，就像傅里叶变换，很多人学过也不知道是干什么的。
2 .logistic 回归 简单通用，但他不是回归算法，是分类算法。又叫对数几率回归，我们先知道这个东西，以后在案例中给大家解释。
3.2 早期神经网络
这里一定要讲一下人工智能的冬天，在神经网络发展一段事件后，神经网络由于很多缺陷而凌冬，原因是：训练大型网络无有效方法。此间核方法获得推崇，就是svm等方法， 但是随着时间推移，2011年，开始使用GPU训练深度神经网络赢得学术性的图像分类，深度学习在实践中开始获得成功，冬天过去，春天来临，百花齐放。
一个案例：20世纪90年代，美国邮政局采用lenet网络，自动读取信封上的邮政编码，实际上就是数字识别。这是将神经网络和反向传播算法结合的方式。
3.3 核方法
svm就是核方法（support vector machine），这里在强调一下，svm 就是在不同类别的数据点之间找到决策边界。后面我们会继续复习svm， 逐渐深入来到达掌握其概念的目的。
svm缺陷： 难以扩展到大型数据集。
3.4 深度学习
2012年以来，深度卷积神经网络（convnet） 成为计算机视觉分类首选，开始获得大量的案例解决实际问题。 统计学中，加权的滑动平均是一种卷积。 定义：卷积是两个变量在某范围内相乘后求和的结果。图像处理中常见的mask运算都是卷积，广泛应用于图像滤波，案例：高斯滤波，是将图像数据，也就是RGB数据和一个核函数相乘，得到的滑动平均值将图像模糊了，理解了吧。
深度学习是我们的最终目的，我们的期望是逐渐掌握，并且后面会出一些练习，让产品经理也学会用一下python， 来简单地学习深度学习，这不难，因为我们是强大的产品经理，在理解概念和案例的情况下举一反三。
以上就是第三课，为了让大家比较轻松地掌握，我们每一章不是很多，慢慢学习，不知不觉中学习。
