第1章　AI时代下的产品经理 1.1 产品经理岗位的变迁 / 2 1.2 策略产品经理概览 / 5 1.2.1 策略产品经理的具体工作 / 5 1.2.2 策略产品经理分类 / 5 1.3 策略产品经理的能力要求 / 8 1.4 策略产品经理的思维要求 / 9 1.5 互联网公司的策略部门 / 10 1.6 小结 / 11 第2章　策略产品经理必备机器学习知识 2.1 机器学习入门 / 13 2.2 机器学习和AI的关系 / 14 2.3 机器学习全流程 / 16 2.3.1 问题定义 / 17 2.3.2 数据处理 / 19 2.3.3 特征工程 / 21 2.3.4 模型训练 / 21 2.3.5 模型评估 / 23 2.3.6 模型应用 / 23 2.4 机器学习常见指标 / 24 2.4.1 分类模型离线评估指标 / 24 2.4.2 回归模型离线评估指标 / 28 2.4.3 聚类模型离线评估指标 / 28 2.5 工业界常见算法 / 31 2.5.1 逻辑回归 / 31 2.5.2 K近邻算法 / 32 2.5.3 贝叶斯模型 / 34 2.5.4 K聚类算法 / 37 2.5.5 决策树 / 38 2.5.6 深度神经网络 / 43 2.6 梯度下降法 / 50 2.6.1 案例引入 / 50 2.6.2 梯度下降法简介 / 52 2.7 工业界算法的选择 / 54 2.8 小结 / 55 第3章　推荐策略 3.1 引入 / 57 3.1.1 推荐系统应用的标志性事件 / 57 3.1.2 推荐系统兴起的原因 / 59 3.2 推荐系统概述 / 60 3.2.1 推荐系统简介 / 60 3.2.2 推荐系统发展的4个阶段 / 61 3.2.3 推荐系统整体架构 / 62 3.2.4 常见效果评估指标 / 66 3.3 推荐策略产品经理画像 / 71 3.4 数据处理 / 72 3.4.1 常见的底层数据表 / 73 3.4.2 数据表的加工 / 73 3.4.3 数据归一化和标准化 / 73 3.5 推荐系统召回策略 / 77 3.5.1 3种召回策略 / 77 3.5.2 多路召回架构 / 79 3.5.3 基于规则的召回 / 81 3.5.4 基于协同过滤的召回 / 86 3.5.5 基于向量的召回 / 95 3.5.6 双塔模型 / 99 3.5.7 召回策略的效果评估 / 102 3.6 推荐系统粗排策略 / 103 3.6.1 基于规则的粗排策略 / 104 3.6.2 基于模型的粗排策略 / 104 3.6.3 粗排策略效果评估 / 105 3.7 推荐系统精排策略 / 105 3.7.1 学习目标 / 105 3.7.2 算法选择 / 106 3.7.3 特征构造 / 106 3.7.4 特征选择 / 109 3.7.5 特征编码 / 112 3.7.6 模型训练 / 114 3.7.7 效果评估 / 117 3.7.8 模型应用和迭代 / 117 3.8 推荐系统重排策略 / 117 3.8.1 概述 / 118 3.8.2 全局最优策略 / 118 3.8.3 用户体验策略 / 120 3.8.4 流量调控策略 / 121 3.8.5 综合性重排 / 121 3.9 推荐结果样式创意策略 / 122 3.9.1 概述 / 122 3.9.2 样式策略 / 124 3.9.3 创意策略 / 129 3.10 推荐系统用户体验策略 / 134 3.10.1 产品功能 / 134 3.10.2 底层策略 / 136 3.10.3 主观评估 / 137 3.11 推荐系统冷启动策略 / 138 3.11.1 产品设计 / 138 3.11.2 底层策略 / 140 3.12 推荐系统的整体推荐机制 / 141 3.12.1 电商推荐场景的流量分发机制 / 141 3.12.2 短视频推荐场景的流量分发 机制 / 142 3.13 AB Test实验 / 144 3.13.1 AB Test整体介绍 / 144 3.13.2 AB Test实验完整机制 / 145 3.13.3 实验效果的可信性评估 / 148 3.14 小结 / 149 第4章　搜索策略 4.1 引入 / 151 4.1.1 搜索引擎的5个时代 / 151 4.1.2 搜索引擎的分类 / 153 4.2 搜索引擎概述 / 154 4.2.1 搜索引擎简介 / 154 4.2.2 搜索引擎整体架构 / 155 4.2.3 常见效果评估指标 / 159 4.3 搜索策略产品经理画像 / 161 4.4 搜索引擎实体识别 / 162 4.4.1 实体识别是什么 / 162 4.4.2 实体体系构建 / 163 4.5 搜索引擎词库 / 163 4.6 搜索引擎物料索引 / 164 4.6.1 正排索引 / 164 4.6.2 倒排索引 / 165 4.7 搜索引擎查询语义理解 / 166 4.7.1 归一化 / 166 4.7.2 纠错 / 167 4.7.3 分词 / 170 4.7.4 实体识别 / 174 4.7.5 类目预测 / 175 4.7.6 查询改写 / 178 4.8 搜索引擎召回策略 / 178 4.8.1 基本架构 / 178 4.8.2 文本相关性召回 / 179 4.8.3 语义相关性召回 / 181 4.8.4 个性化召回 / 184 4.8.5 效果评估 / 185 4.9 搜索引擎粗排策略 / 185 4.9.1 粗排公式 / 185 4.9.2 分数融合 / 187 4.10 搜索引擎精排策略 / 188 4.10.1 相关性排序 / 188 4.10.2 多目标排序 / 188 4.10.3 特征工程 / 188 4.10.4 PageRank算法 / 189 4.11 搜索引擎重排策略 / 192 4.11.1 全局最优策略 / 192 4.11.2 用户体验策略 / 193 4.11.3 流量调控策略 / 193 4.12 搜索结果样式和创意策略 / 193 4.12.1 样式策略 / 193 4.12.2 创意策略 / 195 4.13 搜索结果用户体验策略 / 195 4.13.1 产品功能 / 195 4.13.2 底层策略 / 197 4.13.3 主观评估 / 197 4.14 搜索产品功能 / 198 4.14.1 搜索底纹 / 198 4.14.2 搜索联想词 / 199 4.14.3 搜索导航栏 / 201 4.14.4 搜索发现 / 202 4.14.5 搜索排行榜 / 203 4.14.6 搜索二次筛选 / 204 4.15 多模态搜索 / 206 4.15.1 以图搜图 / 206 4.15.2 识曲搜索 / 207 4.15.3 视频搜索 / 208 4.16 小结 / 209 第5章　广告策略 5.1 引入 / 211 5.1.1 广告基础入门 / 212 5.1.2 互联网广告概述 / 217 5.1.3 国内广告引擎简史 / 222 5.2 广告系统概述 / 224 5.2.1 广告平台简介 / 224 5.2.2 广告系统整体流程 / 229 5.2.3 常见效果评估指标 / 230 5.3 广告策略产品经理画像 / 233 5.3.1 广告策略产品经理 / 233 5.3.2 广告策略产品细分 / 234 5.4 广告投放策略 / 236 5.4.1 搜索竞价广告 / 236 5.4.2 推荐竞价广告 / 243 5.4.3 智能通投 / 246 5.4.4 合约广告 / 247 5.5 广告流量策略 / 248 5.5.1 流量接入 / 249 5.5.2 流量分发 / 250 5.5.3 流量联动 / 254 5.6 广告竞价机制 / 255 5.6.1 传统竞价拍卖机制 / 255 5.6.2 广告竞价机制应用 / 256 5.7 广告出价策略 / 261 5.7.1 基本知识 / 262 5.7.2 手动出价 / 264 5.7.3 智能出价 / 264 5.8 广告归因策略 / 274 5.8.1 整体介绍 / 274 5.8.2 多触点归因 / 276 5.8.3 跟单设置 / 277 5.9 广告创意策略 / 278 5.9.1 创意设置 / 279 5.9.2 图片生成 / 282 5.9.3 文案生成 / 285 5.9.4 创意优选 / 288 5.10 广告用户体验策略 / 290 5.11 广告审核策略 / 291 5.12 广告数据管理平台 / 291 5.13 广告诊断工具 / 294 5.14 小结 / 296 第6章　工业界前沿技术应用 6.1 强化学习 / 298 6.1.1 案例引入 / 298 6.1.2 强化学习概述 / 299 6.1.3 基于价值的强化学习 / 301 6.1.4 实际应用案例 / 304 6.2 联邦学习 / 306 6.2.1 联邦学习概述 / 306 6.2.2 横向联邦学习 / 307 6.2.3 纵向联邦学习 / 309 6.2.4 联邦迁移学习 / 312 6.2.5 实际应用案例 / 312 6.3 隐私计算 / 313 6.3.1 案例引入 / 313 6.3.2 隐私计算概述 / 314 6.4 边缘计算 / 317 6.4.1 案例引入 / 317 6.4.2 云计算概述 / 317 6.4.3 边缘计算概述 / 318 6.4.4 实际应用案例 / 319 6.5 小结 / 320 · · · · · · (收起)