招生對(duì)象：智庫(kù)燈塔歷經(jīng)多年、多位資深產(chǎn)品總監(jiān)共同研發(fā)課程，老師們把互聯(lián)網(wǎng)任職多年的經(jīng)驗(yàn)積累濃縮到2個(gè)月學(xué)習(xí)中，使不同行業(yè)不同水平起步的同學(xué)均可快速理解課程重點(diǎn)，完整的完成互聯(lián)網(wǎng)實(shí)戰(zhàn)項(xiàng)目，幫助學(xué)員成功轉(zhuǎn)型為具備2年行業(yè)經(jīng)驗(yàn)的產(chǎn)品經(jīng)理！學(xué)習(xí)過(guò)程中將邀請(qǐng)到各大互聯(lián)網(wǎng)公司資深產(chǎn)品總監(jiān)或創(chuàng)始人做串講，分析項(xiàng)目、分享經(jīng)驗(yàn)、提升技能等…產(chǎn)品課程包括（簡(jiǎn)）：需求分析、競(jìng)品分析、用戶體驗(yàn)、產(chǎn)品方案、產(chǎn)品定位、產(chǎn)品原型、產(chǎn)品運(yùn)營(yíng)與管理、垂直產(chǎn)品線的組織結(jié)構(gòu)與跨產(chǎn)品線的團(tuán)隊(duì)協(xié)作、后臺(tái)產(chǎn)品的架構(gòu)，BRD、MRD和PRD文檔（說(shuō)明文檔）以及協(xié)調(diào)整個(gè)項(xiàng)目準(zhǔn)時(shí)上線等。需學(xué)習(xí)與具備的能力：產(chǎn)品版本規(guī)劃表、項(xiàng)目排期表、Milestone、Deadline的項(xiàng)目管理；日常工作文檔：規(guī)范化郵件撰寫(xiě)、工作匯報(bào)（日?qǐng)?bào)、周報(bào)、年終總結(jié)）、會(huì)議邀請(qǐng)、會(huì)議紀(jì)要等…掌握軟件工具：Axure RP、Balsamiq Mockups、墨刀、Office、Mindmanager/Xmind項(xiàng)目實(shí)戰(zhàn)：學(xué)習(xí)過(guò)程中平日與周末課程均會(huì)安排2次互聯(lián)網(wǎng)實(shí)戰(zhàn)項(xiàng)目，項(xiàng)目包函移動(dòng)端+后臺(tái)+PC端。項(xiàng)目主題涉及電商、視頻、金融、社交、O2O等等。項(xiàng)目經(jīng)驗(yàn)后期也會(huì)包裝整合到簡(jiǎn)歷中。

招生對(duì)象：智庫(kù)燈塔歷經(jīng)多年、多位資深產(chǎn)品總監(jiān)共同研發(fā)課程，老師們把互聯(lián)網(wǎng)任職多年的經(jīng)驗(yàn)積累濃縮到2個(gè)月學(xué)習(xí)中，使不同行業(yè)不同水平起步的同學(xué)均可快速理解課程重點(diǎn)，完整的完成互聯(lián)網(wǎng)實(shí)戰(zhàn)項(xiàng)目，幫助學(xué)員成功轉(zhuǎn)型為具備2年行業(yè)經(jīng)驗(yàn)的產(chǎn)品經(jīng)理！學(xué)習(xí)過(guò)程中將邀請(qǐng)到各大互聯(lián)網(wǎng)公司資深產(chǎn)品總監(jiān)或創(chuàng)始人做串講，分析項(xiàng)目、分享經(jīng)驗(yàn)、提升技能等…產(chǎn)品課程包括（簡(jiǎn)）：需求分析、競(jìng)品分析、用戶體驗(yàn)、產(chǎn)品方案、產(chǎn)品定位、產(chǎn)品原型、產(chǎn)品運(yùn)營(yíng)與管理、垂直產(chǎn)品線的組織結(jié)構(gòu)與跨產(chǎn)品線的團(tuán)隊(duì)協(xié)作、后臺(tái)產(chǎn)品的架構(gòu)，BRD、MRD和PRD文檔（說(shuō)明文檔）以及協(xié)調(diào)整個(gè)項(xiàng)目準(zhǔn)時(shí)上線等。需學(xué)習(xí)與具備的能力：產(chǎn)品版本規(guī)劃表、項(xiàng)目排期表、Milestone、Deadline的項(xiàng)目管理；日常工作文檔：規(guī)范化郵件撰寫(xiě)、工作匯報(bào)（日?qǐng)?bào)、周報(bào)、年終總結(jié)）、會(huì)議邀請(qǐng)、會(huì)議紀(jì)要等…掌握軟件工具：Axure RP、Balsamiq Mockups、墨刀、Office、Mindmanager/Xmind

招生對(duì)象：特訓(xùn)營(yíng)·第 1 計(jì)劃·(階段一)標(biāo)準(zhǔn)庫(kù)，擴(kuò)展庫(kù)，運(yùn)算符，表達(dá)式，字符串、轉(zhuǎn)義字符，字符串的輸出和輸入，訪問(wèn)字符串中的值，字符串內(nèi)建函數(shù)；列表，包括列表訪問(wèn)，列表運(yùn)算，深拷貝/淺拷貝，列表常用的方法；字典，集合，條件表達(dá)式，選擇結(jié)構(gòu)，包括while循環(huán)，break語(yǔ)句，for in循環(huán)，range函數(shù)，continue語(yǔ)句；函數(shù)參數(shù),變量作用域,lambda,生成器；類的定義,使用,數(shù)據(jù)成員,成員方法,特殊方法,運(yùn)算符重載；numpy，包括NumPy 數(shù)學(xué)函數(shù)，NumPy 統(tǒng)計(jì)函數(shù)，NumPy 矩陣庫(kù)(Matrix) ，NumPy 排序、條件刷選函數(shù)，NumPy 線性代數(shù)，數(shù)組運(yùn)算，矩陣運(yùn)算，scipy，pandas，如Pandas數(shù)據(jù)結(jié)構(gòu)，Pandas數(shù)據(jù)幀（DataFrame）,Pandas面板，包括Pandas基本應(yīng)用，Pandas描述性統(tǒng)計(jì)，Pandas函數(shù)應(yīng)用，Pandas重建索引，Pandas迭代，Pandas統(tǒng)計(jì)函數(shù)；特訓(xùn)營(yíng)·第 2 計(jì)劃·(階段二)Pandas 讀取數(shù)據(jù)， scikit-learn 訓(xùn)練與測(cè)試模型；評(píng)估模型性能的指標(biāo)；交叉驗(yàn)證(把給定的數(shù)據(jù)進(jìn)行切分，將切分的數(shù)據(jù)集分為“訓(xùn)練集”和“驗(yàn)證集”（假設(shè)其中4份為train，1份為validation），在此基礎(chǔ)上循環(huán)選取進(jìn)行訓(xùn)練和驗(yàn)證。曲線判斷過(guò)欠擬合，用網(wǎng)絡(luò)搜索訓(xùn)練模型；測(cè)試 NumPy 、 pandas 技能的掌握；測(cè)試對(duì)模型評(píng)估與驗(yàn)證的理解；特訓(xùn)營(yíng)·第 3 計(jì)劃·(階段三)分類與回歸的區(qū)別，學(xué)習(xí)使用線性回歸來(lái)做預(yù)測(cè)；Iris經(jīng)典愛(ài)麗絲，愛(ài)麗絲進(jìn)化與文本矢量化，AI操作流程，數(shù)據(jù)切割函數(shù)，Iris愛(ài)麗絲分解，線性回歸算法，邏輯回歸算法；樸素貝葉斯原理，樸素貝葉斯算法，KNN近鄰算法，隨機(jī)森林算法，構(gòu)建垃圾郵件分類器；決策樹(shù)算法，GBDT迭代決策樹(shù)算法，SVM向量機(jī)，SVM-cross向量機(jī)交叉算方法，神經(jīng)網(wǎng)絡(luò)算法，MLP神經(jīng)網(wǎng)絡(luò)算法，MLP_reg神經(jīng)網(wǎng)絡(luò)回歸算法，探索泰坦尼克號(hào)乘客存活模型；支持向量機(jī)以線性分離數(shù)據(jù)；非線性可分的數(shù)據(jù)上來(lái)訓(xùn)練 SVM；boosting 提升傳統(tǒng)方法；Adaboost，CCPP數(shù)據(jù)集，數(shù)據(jù)集切割，讀取CCPP數(shù)據(jù)集，機(jī)器學(xué)習(xí)統(tǒng)一接口，批量調(diào)用機(jī)器學(xué)習(xí)算法，一體化調(diào)用，存儲(chǔ)算法模型，批量存儲(chǔ)算法模型，批量加載算法模型，機(jī)器組合算法；監(jiān)督學(xué)習(xí)測(cè)試題；特訓(xùn)營(yíng)·第 4 計(jì)劃·(階段四)聚類算法，k-means 對(duì)數(shù)據(jù)聚類；k-means，K均值聚類算法是先隨機(jī)選取K個(gè)對(duì)象作為初始的聚類中心。計(jì)算每個(gè)對(duì)象與各個(gè)種子聚類中心之間的距離，把每個(gè)對(duì)象分配給距離它最近的聚類中心，對(duì)電影評(píng)分聚類；單連接聚類法、層次聚類法，通過(guò)某種相似性測(cè)度計(jì)算節(jié)點(diǎn)之間的相似性；DBSCAN，Density-BasedSpatial Clustering of Applications with Nois是一個(gè)比較有代表性的基于密度的聚類算法；高斯混合模型、高斯概率密度函數(shù)、正態(tài)分布曲線及相關(guān)示例；通過(guò)案例學(xué)習(xí)特征縮放；降維，PCA 的原理(PCA降維原理是基于訓(xùn)練數(shù)據(jù)集X的協(xié)方差矩陣C的特征向量組成的K階矩陣U，XU得到X的k階降維矩陣Z。主要原理用的是協(xié)方差矩陣C是一個(gè)實(shí)對(duì)角矩陣的性質(zhì)和使用場(chǎng)景；特征臉?lè)椒ā?SVM 臉部識(shí)別，使用預(yù)處理來(lái)提取更有意義的特征。這里使用主成份分析來(lái)提取150個(gè)基本元素，然后將其提供給支持向量機(jī)分類器，將這個(gè)預(yù)處理和分類器打包成管道；隨機(jī)投影(隨機(jī)投影的理論依據(jù)是J-L Lemma，公式的核心思想總結(jié)一句話就是：在高維歐氏空間里的點(diǎn)集映射到低維空間里相對(duì)距離得到某誤差范圍內(nèi)的保持，獨(dú)立成分分析，Lab學(xué)習(xí)應(yīng)用這些方法；非監(jiān)督學(xué)習(xí)測(cè)試題；特訓(xùn)營(yíng)·第 5 計(jì)劃·(階段五)深度學(xué)習(xí)，這是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測(cè)值（例如一幅圖像）可以使用多種方式來(lái)表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等，而使用某些特定的表情識(shí)別，包括softmax、one-hotencoding和cross entropy感知器，與梯度下降；神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò) backpropogation 來(lái)訓(xùn)練網(wǎng)絡(luò)優(yōu)化神經(jīng)網(wǎng)絡(luò)，如 regularization 與 dropout使用 Keras 分析 IMDB 電影數(shù)據(jù)；卷積神經(jīng)網(wǎng)絡(luò)原理，卷積神經(jīng)網(wǎng)絡(luò)，包括Convo-lutional，Neural Networks, CNN，是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，F(xiàn)eed-forward、Neural Netwo，是深度學(xué)習(xí)（deeplearning）的代表算法之一、圖像識(shí)別、keras、遷移學(xué)習(xí)；深度學(xué)習(xí)在癌癥（如皮膚癌）檢測(cè)，將近13萬(wàn)張可用的皮膚病變圖像，覆蓋了2000多種不同的疾病類型。他們使用這一數(shù)據(jù)集創(chuàng)建了圖像庫(kù)，并將其作為原始像素提供給算法，每個(gè)像素都帶有標(biāo)簽，描述了相關(guān)疾病的附加數(shù)據(jù)。研究人員訓(xùn)練算法總結(jié)出圖像里的模式，也即發(fā)現(xiàn)疾病經(jīng)由組織傳播在外觀上所遵循的規(guī)則；特訓(xùn)營(yíng)·第 6 計(jì)劃·(階段六)強(qiáng)化學(xué)習(xí)(reinforcement learning)，又稱再勵(lì)學(xué)習(xí)、評(píng)價(jià)學(xué)習(xí)，是一種重要的機(jī)器學(xué)習(xí)方法，在智能控制機(jī)器人及分析預(yù)測(cè)等領(lǐng)域有許多應(yīng)用，與 OpenAIGym 的基礎(chǔ)；馬爾科夫決策過(guò)程策略，基于馬爾可夫過(guò)程理論的隨機(jī)動(dòng)態(tài)系統(tǒng)的優(yōu)決策過(guò)程；馬爾可夫決策過(guò)程是序貫決策的主要研究領(lǐng)域，它是馬爾可夫過(guò)程與確定性的動(dòng)態(tài)規(guī)劃相結(jié)合的產(chǎn)物，又稱馬爾科夫型隨機(jī)動(dòng)態(tài)規(guī)劃，屬于運(yùn)籌學(xué)中的數(shù)學(xué)規(guī)劃的一個(gè)分支，推到Bellman方程；迭代策略評(píng)估、策略改進(jìn)、策略迭代和值迭代；蒙特卡洛預(yù)測(cè)，也叫蒙特卡羅（Monte Carlo）方法，又稱隨機(jī)抽樣或統(tǒng)計(jì)試驗(yàn)方法，控制方案、greedy算法、epsilon-greedy算法；Sarsa、Q-Learning 、預(yù)期 Sarsa；解決 OpenAI Gym(OpenAI Gym 是一個(gè)用于開(kāi)發(fā)和比較RL 算法的工具包，與其他的數(shù)值計(jì)算庫(kù)兼容，如tensorflow 或者theano 庫(kù)?，F(xiàn)在主要支持的是python 語(yǔ)言，以后將支持其他語(yǔ)言）的Taxi-v2任務(wù)；傳統(tǒng)算法適用于連續(xù)空間；深度神經(jīng)網(wǎng)絡(luò)將強(qiáng)化學(xué)習(xí)方法擴(kuò)展到復(fù)雜問(wèn)題；基于策略的方法優(yōu)化優(yōu)策略；基于價(jià)值、基于策略的方法，解決具有挑戰(zhàn)性的強(qiáng)化學(xué)習(xí)問(wèn)題；強(qiáng)化學(xué)習(xí)相關(guān)的測(cè)試題；