中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

本文筆者將講述：建立高緯度的思考方式、必備的機(jī)器學(xué)習(xí)知識(shí)、必備的神經(jīng)網(wǎng)絡(luò)知識(shí)、人工智能市場(chǎng)分析、人工智能產(chǎn)品構(gòu)建方法。

很多小伙伴都詢問(wèn)，究竟該如何從產(chǎn)品經(jīng)理向人工智能產(chǎn)品經(jīng)理進(jìn)階，筆者就根據(jù)自身的經(jīng)驗(yàn)簡(jiǎn)單總結(jié)，希望能對(duì)讀者起到幫助。本文將從學(xué)習(xí)思路、學(xué)習(xí)方法為讀者提供學(xué)習(xí)路徑，并附上筆者在從產(chǎn)品經(jīng)理向人工智能產(chǎn)品經(jīng)理進(jìn)階過(guò)程中的一些學(xué)習(xí)資料。

一、建立更高維度的學(xué)習(xí)方法

以高緯度的學(xué)習(xí)方法，掌握低緯度的內(nèi)容，是快速掌握一門學(xué)科的關(guān)鍵。

我們可以想象一下，假設(shè)人們生活在二維平面中，如果在A點(diǎn)想移動(dòng)到B點(diǎn)，必然要走過(guò)一條線才可以實(shí)現(xiàn)。如果出現(xiàn)了一個(gè)人從A點(diǎn)并沒(méi)有任何的路線就出現(xiàn)在了B點(diǎn)，一定會(huì)覺(jué)得神奇，但是對(duì)于處在三維平面的人來(lái)講，從A點(diǎn)到B點(diǎn)，跳過(guò)去就可以了，中間不必出現(xiàn)任何的直線路徑。

所以，筆者建議在學(xué)習(xí)人工智能知識(shí)的時(shí)候，不要局限在二維平面思考A到B的過(guò)程怎么走，而是站在三維場(chǎng)景中看待二維中遇到的問(wèn)題。

所以，筆者建議產(chǎn)品經(jīng)理應(yīng)從如下四個(gè)層面開(kāi)始自己的學(xué)習(xí)。

1. 了解人工智能產(chǎn)品的價(jià)值方向

——即為什么會(huì)出現(xiàn)人工智能產(chǎn)品？人工智能產(chǎn)品的出現(xiàn)帶來(lái)的社會(huì)價(jià)值是什么？

人工智能產(chǎn)品是為了解決人本身的生產(chǎn)力不足而出現(xiàn)的，是作為人的替代和身體延伸而出現(xiàn)的。

據(jù)此可知，人工智能產(chǎn)品的設(shè)計(jì)方向。每一次新時(shí)代來(lái)臨，都會(huì)引來(lái)一系列的變革，而每一次變革必定會(huì)帶來(lái)引起產(chǎn)業(yè)級(jí)上不同程度的完全顛覆 ，先進(jìn)生產(chǎn)力會(huì)逐步的將落后的生產(chǎn)力替代。人工智能時(shí)代也不例外，人工智能時(shí)代的根本核心就是“生產(chǎn)力的替代”，每一個(gè)人工智能介入的領(lǐng)域也都應(yīng)該從“是否進(jìn)行了生產(chǎn)力的替代”作為根本的考核。

從“生產(chǎn)力的替代”角度來(lái)看，目前人工智能產(chǎn)品的智能程度還達(dá)不到人類技能的狀態(tài)，但不可否認(rèn)的是未來(lái)人工智能的智能化程度必將會(huì)越來(lái)越高。而隨著智能化程度的提高某些工作一定會(huì)被取代，而這一刻的到來(lái)只不過(guò)是時(shí)間長(zhǎng)短的問(wèn)題。人類各個(gè)工種無(wú)外乎幾類：

體力型工作：主要指在某個(gè)具體的領(lǐng)域和范圍內(nèi)，靠人的體力勞動(dòng)就可以完成工作。這些工作針是針對(duì)限定性的工作場(chǎng)景，依靠培訓(xùn)后就可以完成工作，而這些工作將必定被人工智能所代替。

技術(shù)型工作：主要指擁有某項(xiàng)專業(yè)技術(shù)進(jìn)行工作的崗位。這些專業(yè)技術(shù)一般是通過(guò)培訓(xùn)學(xué)習(xí)實(shí)現(xiàn)方法，并通過(guò)長(zhǎng)期工作積累形成經(jīng)驗(yàn)，再將方法與經(jīng)驗(yàn)結(jié)合完成某項(xiàng)工作。如數(shù)據(jù)分析、程序員、金融分析、律師、保險(xiǎn)銷售等，對(duì)于技術(shù)型工作人工智能雖然不肯能完全取代，但必定會(huì)取代絕大部分。

綜合管理型工作：此類型功能做主要是在工作領(lǐng)域中面對(duì)較為復(fù)雜的內(nèi)外部環(huán)境開(kāi)展工作。這些工作往往需要面對(duì)突發(fā)事件作出判斷和決策，并且需要有較強(qiáng)的溝通、協(xié)調(diào)、組織、管理能力。對(duì)于知識(shí)創(chuàng)新型人才，人工智能在短期內(nèi)還無(wú)法取代。

當(dāng)人工智能產(chǎn)品經(jīng)理進(jìn)行產(chǎn)品定位與分析時(shí)，應(yīng)了解社會(huì)價(jià)值，并規(guī)劃人工智能產(chǎn)品在社會(huì)價(jià)值中的如何體現(xiàn)，進(jìn)而分析生產(chǎn)力特性、崗位特征、產(chǎn)品邏輯，做好產(chǎn)品定義，后續(xù)的工作也會(huì)容易開(kāi)展。

2. 實(shí)現(xiàn)這個(gè)價(jià)值的邏輯是什么

需要了解：人工智能是如何通過(guò)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)實(shí)現(xiàn)的？機(jī)器學(xué)習(xí)是如何通過(guò)分類、聚類等解決實(shí)際問(wèn)題的？深度神經(jīng)網(wǎng)絡(luò)是如何根據(jù)人的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)自我學(xué)習(xí)的？

后續(xù)筆者將對(duì)此有詳細(xì)描述，在此文不再贅述。

3. 技術(shù)上是如何實(shí)現(xiàn)邏輯的

需要了解：分類是通過(guò)什么算法邏輯實(shí)現(xiàn)的？以及，深度神經(jīng)網(wǎng)絡(luò)的算法原理。

當(dāng)然，如果非技術(shù)出身的產(chǎn)品經(jīng)理可能在理解技術(shù)實(shí)現(xiàn)邏輯這個(gè)階段會(huì)有點(diǎn)發(fā)怵，但筆者可以確定的是：如果產(chǎn)品經(jīng)理如果要學(xué)習(xí)產(chǎn)品在技術(shù)上的定位為僅學(xué)習(xí)邏輯實(shí)現(xiàn)過(guò)程 ，一般的理工科畢業(yè)的學(xué)生都沒(méi)有問(wèn)題。

4. 實(shí)際的技術(shù)學(xué)習(xí)及實(shí)踐

這時(shí)候就需要有一定的代碼基礎(chǔ)了，通過(guò)實(shí)操完成一些小程序，如對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)、圖像識(shí)別、圖像風(fēng)格轉(zhuǎn)換等，這些小程序的實(shí)現(xiàn)難度低，但卻可以實(shí)現(xiàn)具體有意義的功能。

產(chǎn)品經(jīng)理可以安裝一些工具，或借助企業(yè)開(kāi)放平臺(tái)提供的人工智能API來(lái)實(shí)現(xiàn)完成產(chǎn)品的設(shè)計(jì)與實(shí)現(xiàn) 。目前的人工智能產(chǎn)業(yè)中，產(chǎn)品經(jīng)理雖然不需要自己寫程序，但了解一些技術(shù)內(nèi)容還是有必要的，否則和技術(shù)人員溝通不在一個(gè)層面，工作難度相當(dāng)大。

經(jīng)過(guò)以上四個(gè)部分的學(xué)習(xí)和進(jìn)階即可勝任人工智能產(chǎn)品經(jīng)理的工作。

二、強(qiáng)化人工智能知識(shí)體系建設(shè)

很多產(chǎn)品經(jīng)理很頭疼人工智能的知識(shí)體系，因?yàn)槿斯ぶ悄軤砍秲?nèi)容較多，但當(dāng)前時(shí)代，入門人工智能產(chǎn)品經(jīng)理必須要建立全面的人工智能認(rèn)知體系，并盡量的接觸實(shí)際的研發(fā)技術(shù)。

當(dāng)然，接觸和了解技術(shù)并不一定意味著你要是計(jì)算機(jī)專業(yè)或者編程很在行。而是通過(guò)對(duì)技術(shù)的學(xué)習(xí)，知道你身邊的工程師們?cè)谧鍪裁矗繛槭裁催@么做？這么做的原因。

同樣，了解技術(shù)可以在必要的時(shí)候可以和工程師以及設(shè)計(jì)師用專業(yè)語(yǔ)言溝通，以確保對(duì)方相信產(chǎn)品經(jīng)理知道在說(shuō)什么。

產(chǎn)品經(jīng)理應(yīng)對(duì)以下問(wèn)題有基本認(rèn)知：

1. 機(jī)器學(xué)習(xí)是什么？
2. 傳統(tǒng)軟件和機(jī)器學(xué)習(xí)之間的邏輯差異是什么？
3. 機(jī)器學(xué)習(xí)的學(xué)習(xí)模式——監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)，這些都是什么？以及，每種學(xué)習(xí)方式的差異。
4. 機(jī)器學(xué)習(xí)能做哪些事？
5. 回歸、分類、聚類都用在什么方面？
6. 深度學(xué)習(xí)是什么？
7. 人工神經(jīng)網(wǎng)絡(luò)原理。
8. 人工神經(jīng)網(wǎng)絡(luò)的分類及特點(diǎn)。
9. 主流的人工神經(jīng)網(wǎng)絡(luò)都有什么，優(yōu)缺點(diǎn)，用在什么方面？
10. TensorFlow、Caffe等主流的機(jī)器學(xué)習(xí)框架異同點(diǎn)。
11. 各大主流企業(yè)人工智能開(kāi)放平臺(tái)做了什么封裝服務(wù)？
12. 可以用Python等工具完成一些數(shù)據(jù)處理。

如果讀者能對(duì)以上12個(gè)問(wèn)題都可以對(duì)答如流，入門人工智能產(chǎn)品經(jīng)理有很大幫助。

三、深入業(yè)務(wù)理解

產(chǎn)品經(jīng)理，不是純粹的開(kāi)發(fā)工程師技術(shù)人員，也不是純粹的市場(chǎng)人員，更不是純粹的界面交互設(shè)計(jì)工程師人員。產(chǎn)品經(jīng)理是介于這三者之間，是一個(gè)能夠?qū)ふ覍ふ矣袃r(jià)值并且切實(shí)可行的產(chǎn)品的人。

產(chǎn)品經(jīng)理在互聯(lián)網(wǎng)時(shí)代的工作是尋找有價(jià)值并且切實(shí)可行的產(chǎn)品，在人工智能時(shí)代也是如此 。產(chǎn)品經(jīng)理的Business和UX工作內(nèi)容一直沒(méi)有發(fā)生變化，變化的是Technology，即：互聯(lián)網(wǎng)的技術(shù)體系變?yōu)榱巳斯ぶ悄艿募夹g(shù)體系。

人工智能產(chǎn)品經(jīng)理的工作是能夠分析出有價(jià)值的商業(yè)場(chǎng)景，并將場(chǎng)景進(jìn)行評(píng)估，評(píng)估其可行性、評(píng)估其必要性、評(píng)估其社會(huì)及商業(yè)價(jià)值、評(píng)估其道德及法律框架。

除分析有價(jià)值的商業(yè)場(chǎng)景外，還需要評(píng)估技術(shù)的可行性，技術(shù)能夠達(dá)到的最優(yōu)度，并根據(jù)內(nèi)外部資源評(píng)估出產(chǎn)品價(jià)值與技術(shù)實(shí)現(xiàn)的平衡點(diǎn)，能夠評(píng)估出商業(yè)價(jià)值與技術(shù)成本之間的平衡點(diǎn)。

最后，產(chǎn)品經(jīng)理能夠通過(guò)交互體系設(shè)計(jì)出完整的產(chǎn)品。能夠做到以上幾點(diǎn)，那么一定是一個(gè)非常優(yōu)秀的人工智能產(chǎn)品經(jīng)理。

四、推薦讀物

為了讓廣大讀者更深入的探索人工智能世界，特此附上延伸閱讀部分。此部分包含推薦書籍、文獻(xiàn)，以饗讀者。希望讀者朋友通過(guò)本書，和這些這些文獻(xiàn)資料能看到更豐富多彩的人工智能。

1. 科普類書籍

人工智能科普類書籍主要偏重對(duì)人工智能世界的描述，用通俗的話來(lái)表達(dá)和描述人工智能科學(xué)。

筆者推薦可以閱讀幾本經(jīng)典書籍，如凱文·凱利的《失控》、雷·庫(kù)茲韋爾的《奇點(diǎn)臨近》、雅克·阿塔利的《未來(lái)簡(jiǎn)史》、吳軍的《智能時(shí)代》等。

2. 專業(yè)知識(shí)書籍

筆者將人工智能專業(yè)知識(shí)書籍分為人工智能基礎(chǔ)知識(shí)類、神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)類、人工智能技能類。

人工智能基礎(chǔ)知識(shí)：

講的是人工智能的基礎(chǔ)技術(shù)知識(shí)。筆者推薦閱讀的是《人工智能：一種現(xiàn)代的方法》，該書既詳細(xì)介紹了大量的基本概念、思想和算法，也描述了各研究方向最前沿的進(jìn)展，同時(shí)收集整理了詳實(shí)的歷史文獻(xiàn)與事件。

該書適合于不同層次和領(lǐng)域的研究人員及學(xué)生，知名高校幾乎都會(huì)將該書做為人工智能課程的專用教材。除該書外，筆者還推薦《人工智能：復(fù)雜問(wèn)題求解的結(jié)構(gòu)和策略》、《人工智能：智能系統(tǒng)指南》等書籍，也非常經(jīng)典，如圖所示：

當(dāng)然，以上幾本書由于側(cè)重于人工智能的基礎(chǔ)理論，所以沒(méi)有計(jì)算機(jī)或技術(shù)能力的小伙伴看起來(lái)會(huì)比較吃力。因此，筆者也建議不一定非要每本都深入學(xué)習(xí)，可以作為自身的知識(shí)體系的補(bǔ)充和豐富做一些了解即可，但如果要在人工智能領(lǐng)域深入研究，這幾本書則一定要讀透。

神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)類：

這類書也會(huì)比較偏重于技術(shù)原理及技術(shù)應(yīng)用，會(huì)將神經(jīng)網(wǎng)絡(luò)歷史、發(fā)展、各類神經(jīng)網(wǎng)絡(luò)的原理進(jìn)行介紹，有興趣的同學(xué)可以學(xué)習(xí)。

筆者推薦三本書：《神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)》、《神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)》、《深度學(xué)習(xí)基礎(chǔ)：設(shè)計(jì)下一代機(jī)器智能的算法》，如下圖所示：

技術(shù)型書籍：

此類書籍偏重于實(shí)操，一般會(huì)針對(duì)某一或兩個(gè)特定的領(lǐng)域進(jìn)行描述，如有專門針對(duì)TensorFlow的、有針對(duì)圖像識(shí)別的、有針對(duì)NLP的等等。

書籍太多太雜，而且偏重于某一個(gè)技術(shù)點(diǎn)，筆者就不做一一介紹。

3. 視頻課程

除閱讀書籍外，筆者建議初學(xué)者可通過(guò)網(wǎng)絡(luò)中的人工智能教學(xué)視頻進(jìn)行學(xué)習(xí)，筆者推薦三個(gè)較為經(jīng)典的視頻：

1. Hinton的《Neutral Network for Machine Learning》公開(kāi)課。
2. 吳恩達(dá)公開(kāi)課：斯坦?！稒C(jī)器學(xué)習(xí)》公開(kāi)課，入門人工智能可以嘗試聽(tīng)一下。
3. 李飛飛公開(kāi)課：李飛飛曾任斯坦福的人工智能實(shí)驗(yàn)室主任，她的公開(kāi)課也值得一聽(tīng)。

4. 文獻(xiàn)資料

最后，推薦幾篇代表性的論文，這些都是人工智能的經(jīng)典書論文，普遍是發(fā)表在Science和Nature雜志上。

1）A Global Geometric Frameword For Nonlinear? Dimensionality Reduction（一種用于非線性降維的全局幾何框架）：

這是一篇發(fā)表在2000年12月Science雜志上，作者分別來(lái)自于斯坦福大學(xué)心理學(xué)、系數(shù)學(xué)系，以及卡內(nèi)基梅隆大學(xué)的數(shù)學(xué)系。論文提出了一種關(guān)于非線性降維問(wèn)題的處理模型，介紹了從局部度量信息中學(xué)習(xí)出全局幾何框架，并通過(guò)局部度量對(duì)完成非線性降維的問(wèn)題。

這篇論文的創(chuàng)新之處是計(jì)算高維流行上數(shù)據(jù)點(diǎn)的間距的時(shí)候，不是用傳統(tǒng)的歐式距離，而是采用微分幾何中的測(cè)地線距離。等距特征映射。

2）Reducing the Dimensionality of Data With Neural Networks（采用神經(jīng)網(wǎng)絡(luò)降低數(shù)據(jù)的維度）

這篇論文是深度學(xué)習(xí)三個(gè)大牛之一的Hinton先生和他的學(xué)生聯(lián)合發(fā)表的論文，Hinton是多倫多大學(xué)的計(jì)算機(jī)科學(xué)系的教授。

論文探討了如何采用神經(jīng)網(wǎng)絡(luò)降低數(shù)據(jù)的維度，并提出了一種新型的神經(jīng)網(wǎng)絡(luò)，通過(guò)這種網(wǎng)絡(luò)可以有效的提取數(shù)據(jù)的低緯特征。而且遠(yuǎn)遠(yuǎn)優(yōu)于原有的主流降維方法（主成分分析），同樣也正是這篇論文，使得深度學(xué)習(xí)引起了人們的關(guān)注，并掀起了深度學(xué)習(xí)的熱潮。

3）Clustering by fast search? and? find? of density peaks（通過(guò)快速搜尋密度峰值進(jìn)行聚類）

這是一片關(guān)于聚類的論文，它發(fā)表在2014年的Sinse雜志上。我們知道聚類的難點(diǎn)是在于如何尋找聚類中心點(diǎn)，經(jīng)典的聚類算法。

比如：K-Means算法是通過(guò)指定聚類中心，然后通過(guò)迭代的方法更新距離中心，而這篇論文提出了通過(guò)尋找密度峰值最大值的點(diǎn)，并且這些點(diǎn)的距離遠(yuǎn)遠(yuǎn)高于相鄰節(jié)點(diǎn)，把這些節(jié)點(diǎn)作為聚類的中心點(diǎn)，提高了聚類中心點(diǎn)的效率，引起了人們的注意。

4）Human -Level control through Deep Reinforcement Learning（通過(guò)深度強(qiáng)化學(xué)習(xí)達(dá)到人類控制水平）

這是發(fā)表在2015年2月的Nature雜志上的論文，論文提出通過(guò)深度強(qiáng)化學(xué)習(xí)使計(jì)算機(jī)達(dá)到人類操控水平的觀點(diǎn)。

這篇文章就是谷歌deep mind對(duì)49個(gè)視頻游戲軟件進(jìn)行測(cè)試，結(jié)果將近60%達(dá)到或超過(guò)人類水平產(chǎn)品的論文。這篇論文的主要特點(diǎn)是將強(qiáng)化學(xué)習(xí)的Q Network與深度學(xué)習(xí)的結(jié)合起來(lái)成為一種Deep Q Network，引起了很大的反響。

5）Deep Learning（深度學(xué)習(xí)）

這是2015年5月發(fā)表在Nature的一篇名為deep learning的綜述性論文，作者就是深度學(xué)習(xí)的三位大牛：Hinton、LeCun、Bengio，對(duì)深度學(xué)習(xí)感興趣的同學(xué)這篇文章不可不讀。

6）Mastering the game of go with deep neural networks and tree search（用深度神經(jīng)元網(wǎng)絡(luò)和樹(shù)搜索征服圍棋游戲）

這篇論文就是谷歌在2015年12月戰(zhàn)勝歐洲圍棋冠軍后，在2016年1月份的Nature雜志上發(fā)表的論文。論文中提出了價(jià)值網(wǎng)絡(luò)（Value Network）用來(lái)評(píng)價(jià)棋盤位置，并且用策略網(wǎng)絡(luò)Policy Network選擇如何走棋，并采用蒙特卡樹(shù)搜索的方式來(lái)模擬千上萬(wàn)個(gè)隨機(jī)的棋局。

本文由@壹赫 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自Unspalsh, 基于CC0協(xié)議。