很多小伙伴都讯问，究竟该如何从产品经理向人工智能产品经理进阶，笔者就根据自身的履历大略总结，希望能对读者起到帮助。
本文将从学习思路、学习方法为读者供应学习路径，并附上笔者在从产品经理向人工智能产品经理进阶过程中的一些学习资料。

一、建立更高维度的学习方法

以高纬度的学习方法，节制低纬度的内容，是快速节制一门学科的关键。

我们可以想象一下，假设人们生活在二维平面中，如果在A点想移动到B点，一定要走过一条线才可以实现。
如果涌现了一个人从A点并没有任何的路线就涌如今了B点，一定会以为神奇，但是对付处在三维平面的人来讲，从A点到B点，跳过去就可以了，中间不必涌现任何的直线路径。

以是，笔者建议在学习人工智能知识的时候，不要局限在二维平面思考A到B的过程怎么走，而是站在三维场景中看待二维中碰着的问题。

以是，笔者建议产品经理应从如下四个层面开始自己的学习。

1. 理解人工智能产品的代价方向

——即为什么会涌现人工智能产品？人工智能产品的涌现带来的社会代价是什么？

人工智能产品是为理解决人本身的生产力不敷而涌现的，是作为人的替代和身体延伸而涌现的。

据此可知，人工智能产品的设计方向。
每一次新时期来临，都会引来一系列的变革，而每一次变革必定会带来引发迹当级上不同程度的完备颠覆 ，前辈生产力会逐步的将掉队的生产力替代。
人工智能时期也不例外，人工智能时期的根本核心便是“生产力的替代”，每一个人工智能参与的领域也都该当从“是否进行了生产力的替代”作为根本的考察。

从“生产力的替代”角度来看，目前人工智能产品的智能程度还达不到人类技能的状态，但不可否认的是未来人工智能的智能化程度必将会越来越高。
而随着智能化程度的提高某些事情一定会被取代，而这一刻的到来只不过是韶光是非的问题。
人类各个工种无外乎几类：

体力型事情：紧张指在某个详细的领域和范围内，靠人的体力劳动就可以完成事情。
这些事情针是针对限定性的事情场景，依赖培训后就可以完成事情，而这些事情将必定被人工智能所代替。

技能型事情：紧张指拥有某项专业技能进行事情的岗位。
这些专业技能一样平常是通过培训学习实现方法，并通过长期事情积累形成履历，再将方法与履历结合完成某项事情。
如数据剖析、程序员、金融剖析、状师、保险发卖等，对付技能型事情人工智能虽然不肯能完备取代，但必定会取代绝大部分。

综合管理型事情：此类型功能做紧张是在事情领域中面对较为繁芜的内外部环境开展事情。
这些事情每每须要面对突发事宜作出判断和决策，并且须要有较强的沟通、折衷、组织、管理能力。
对付知识创新型人才，人工智能在短期内还无法取代。

当人工智能产品经理进行产品定位与剖析时，应理解社会代价，并方案人工智能产品在社会代价中的如何表示，进而剖析生产力特性、岗位特色、产品逻辑，做好产品定义，后续的事情也会随意马虎开展。

2. 实现这个代价的逻辑是什么

须要理解：人工智能是如何通过机器学习、深度学习实现的？机器学习是如何通过分类、聚类等办理实际问题的？深度神经网络是如何根据人的神经网络实现自我学习的？

后续笔者将对此有详细描述，在此文不再赘述。

3. 技能上是如何实现逻辑的

须要理解：分类是通过什么算法逻辑实现的？以及，深度神经网络的算法事理。

当然，如果非技能出身的产品经理可能在理解技能实现逻辑这个阶段会有点发怵，但笔者可以确定的是：如果产品经理如果要学习产品在技能上的定位为仅学习逻辑实现过程 ，一样平常的理工科毕业的学生都没有问题。

4. 实际的技能学习及实践

这时候就须要有一定的代码根本了，通过实操完成一些小程序，如对数据进行预测、图像识别、图像风格转换等，这些小程序的实现难度低，但却可以实现详细故意义的功能。

产品经理可以安装一些工具，或借助企业开放平台供应的人工智能API来实现完成产品的设计与实现 。
目前的人工智能家傍边，产品经理虽然不须要自己写程序，但理解一些技能内容还是有必要的，否则和技能职员沟通不在一个层面，事情难度相称大。

经由以上四个部分的学习和进阶即可胜任人工智能产品经理的事情。

二、强化人工智能知识体系培植

很多产品经理很头疼人工智能的知识体系，由于人工智能牵扯内容较多，但当前时期，入门人工智能产品经理必须要建立全面的人工智能认知体系，并只管即便的打仗实际的研发技能。

当然，打仗和理解技能并不一定意味着你假如打算机专业或者编程很在行。
而是通过对技能的学习，知道你身边的工程师们在做什么？为什么这么做？这么做的缘故原由。

同样，理解技能可以在必要的时候可以和工程师以及设计师用专业措辞沟通，以确保对方相信产品经理知道在说什么。

产品经理应对以下问题有基本认知：

机器学习是什么？传统软件和机器学习之间的逻辑差异是什么？机器学习的学习模式——监督学习、无监督学习、半监督学习、强化学习，这些都是什么？以及，每种学习办法的差异。
机器学习能做哪些事？回归、分类、聚类都用在什么方面？深度学习是什么？人工神经网络事理。
人工神经网络的分类及特点。
主流的人工神经网络都有什么，优缺陷，用在什么方面？TensorFlow、Caffe等主流的机器学习框架异同点。
各大主流企业人工智能开放平台做了什么封装做事？可以用Python等工具完成一些数据处理。

如果读者能对以上12个问题都可以对答如流，入门人工智能产品经理有很大帮助。

三、深入业务理解

产品经理，不是纯粹的开拓工程师技能职员，也不是纯粹的市场职员，更不是纯粹的界面交互设计工程师职员。
产品经理是介于这三者之间，是一个能够探求探求有代价并且切实可行的产品的人。

产品经理在互联网时期的事情是探求有代价并且切实可行的产品，在人工智能时期也是如此 。
产品经理的Business和UX事情内容一贯没有发生变革，变革的是Technology，即：互联网的技能体系变为了人工智能的技能体系。

人工智能产品经理的事情是能够剖析出有代价的商业场景，并将场景进行评估，评估其可行性、评估其必要性、评估其社会及商业代价、评估其道德及法律框架。

除剖析有代价的商业场景外，还须要评估技能的可行性，技能能够达到的最优度，并根据内外部资源评估出产品代价与技能实现的平衡点，能够评估出商业代价与技能本钱之间的平衡点。

末了，产品经理能够通过交互体系设计出完全的产品。
能够做到以上几点，那么一定是一个非常精良的人工智能产品经理。

四、推举读物

为了让广大读者更深入的探索人工智能天下，特此附上延伸阅读部分。
此部分包含推举书本、文献，以飨读者。
希望读者朋友通过本书，和这些这些文献资料能看到更丰富多彩的人工智能。

1. 科普类书本

人工智能科普类书本紧张侧重对人工智能天下的描述，用普通的话来表达和描述人工智能科学。

笔者推举可以阅读几本经典书本，如凯文·凯利的《失落控》、雷·库兹韦尔的《奇点附近》、雅克·阿塔利的《未来简史》、吴军的《智能时期》等。

2. 专业知识书本

笔者将人工智能专业知识书天职为人工智能根本知识类、神经网络深度学习类、人工智能技能类。

人工智能根本知识：

讲的是人工智能的根本技能知识。
笔者推举阅读的是《人工智能：一种当代的方法》，该书既详细先容了大量的基本观点、思想和算法，也描述了各研究方向最前沿的进展，同时网络整理了详确的历史文献与事宜。

该书适宜于不同层次和领域的研究职员及学生，有名高校险些都会将该书做为人工智能课程的专用教材。
除该书外，笔者还推举《人工智能：繁芜问题求解的构造和策略》、《人工智能：智能系统指南》等书本，也非常经典，如图所示：

当然，以上几本书由于侧重于人工智能的根本理论，以是没有打算机或技能能力的小伙伴看起来会比较吃力。
因此，笔者也建议不一定非要每本都深入学习，可以作为自身的知识体系的补充和丰富做一些理解即可，但如果要在人工智能领域深入研究，这几本书则一定要读透。

神经网络、深度学习类：

这类书也会比较侧重于技能事理及技能运用，会将神经网络历史、发展、各种神经网络的事理进行先容，有兴趣的同学可以学习。

笔者推举三本书：《神经网络设计》、《神经网络和机器学习》、《深度学习根本：设计下一代机器智能的算法》，如下图所示：

技能型书本：

此类书本侧重于实操，一样平常会针对某一或两个特定的领域进行描述，如有专门针对TensorFlow的、有针对图像识别的、有针对NLP的等等。

书本太多太杂，而且侧重于某一个技能点，笔者就不做逐一先容。

3. ***课程

除阅读书本外，笔者建议初学者可通过网络中的人工智能传授教化***进行学习，笔者推举三个较为经典的***：

Hinton的《Neutral Network for Machine Learning》公开课。
吴恩达公开课：斯坦福《机器学习》公开课，入门人工智能可以考试测验听一下。
李飞飞公开课：李飞飞曾任斯坦福的人工智能实验室主任，她的公开课也值得一听。

4. 文献资料

末了，推举几篇代表性的论文，这些都是人工智能的经典书论文，普遍是揭橥在Science和Nature杂志上。

1）A Global Geometric Frameword For Nonlinear Dimensionality Reduction（一种用于非线性降维的全局几何框架）：

这是一篇揭橥在2000年12月Science杂志上，作者分别来自于斯坦福大学生理学、系数学系，以及卡内基梅隆大学的数学系。
论文提出了一种关于非线性降维问题的处理模型，先容了从局部度量信息中学习出全局几何框架，并通过局部度量对完成非线性降维的问题。

这篇论文的创新之处是打算高维盛行上数据点的间距的时候，不是用传统的欧式间隔，而是采取微分几何中的测地线间隔。
等距特色映射。

2）Reducing the Dimensionality of Data With Neural Networks（采取神经网络降落数据的维度）

这篇论文是深度学习三个大牛之一的Hinton师长西席和他的学生联合揭橥的论文，Hinton是多伦多大学的打算机科学系的教授。

论文磋商了如何采取神经网络降落数据的维度，并提出了一种新型的神经网络，通过这种网络可以有效的提取数据的低纬特色。
而且远远优于原有的主流降维方法（主身分剖析），同样也正是这篇论文，使得深度学习引起了人们的关注，并掀起了深度学习的热潮。

3）Clustering by fast search and find of density peaks（通过快速征采密度峰值进行聚类）

这是一片关于聚类的论文，它揭橥在2014年的Sinse杂志上。
我们知道聚类的难点是在于如何探求聚类中央点，经典的聚类算法。

比如：K-Means算法是通过指定聚类中央，然后通过迭代的方法更新间隔中央，而这篇论文提出了通过探求密度峰值最大值的点，并且这些点的间隔远远高于相邻节点，把这些节点作为聚类的中央点，提高了聚类中央点的效率，引起了人们的把稳。

4）Human -Level control through Deep Reinforcement Learning（通过深度强化学习达到人类掌握水平）

这是揭橥在2015年2月的Nature杂志上的论文，论文提出通过深度强化学习使打算机达到人类操控水平的不雅观点。

这篇文章便是谷歌deep mind对49个***游戏软件进行测试，结果将近60%达到或超过人类水平产品的论文。
这篇论文的紧张特点是将强化学习的Q Network与深度学习的结合起来成为一种Deep Q Network，引起了很大的反响。

5）Deep Learning（深度学习）

这是2015年5月揭橥在Nature的一篇名为deep learning的综述性论文，作者便是深度学习的三位大牛：Hinton、LeCun、Bengio，对深度学习感兴趣的同学这篇文章不可不读。

6）Mastering the game of go with deep neural networks and tree search（用深度神经元网络和树搜索征服围棋游戏）

这篇论文便是谷歌在2015年12月降服欧洲围棋冠军后，在2016年1月份的Nature杂志上揭橥的论文。
论文中提出了代价网络（Value Network）用来评价棋盘位置，并且用策略网络Policy Network选择如何走棋，并采取蒙特卡树搜索的办法来仿照千上万个随机的棋局。

本文由@壹赫 原创发布于大家都是产品经理，未经容许，禁止转载。

题图来自Unspalsh, 基于CC0协议。