很多互联网PM都想转型到人工智能产品经理，作者也一样，还是零编程基础、零算法基础、零AI实战经验。渴望对神经网络和机器学习理解得多一点，就亲自验证了一条有效的极简路径：40-50小时，学会搭建几种简单的神经网络。理解原理的同时，还能增强信心和兴趣。
对互联网PM来说，做Demo就是本能。虽然AIPM岗的职责不涉及代码操作，但目前还没有专用的Demo工具。所以用Python实操理解ML，是个踏实高效的切入口。这套极简路径，总共有三步：浅学Python–>入门Tensorflow–>入门Keras。
浅学Python【20小时】
配置环境：如果不想安装虚拟机，没Mac电脑，推荐Windows环境下用Python_3.5.4 + PyCharm_2017 编辑器。
学习节奏：选用莫烦或小甲鱼的免费视频（约7小时），学到函数就停下，按心情决定是否把函数全学完。下载一款APP：Python利器，有空就瞅几眼。再抽空看看与机器学习相关的文章，找找感觉。
牢记初心：目的是理解ML，用Python操作Tensorflow、Keras构建神经网络。所以暂时不学爬虫、游戏等。多敲代码，不苛求闭眼睛敲出30行以上，熟悉语法就OK。
入门Tensorflow【25小时-重点】
2.1 配置环境：用pip安装Tensorflow1.4_cpu版，和numpy、matplotlib、sklearn等类库，白天安装pip下载快。
2.2 学习节奏：选用莫烦的Tensorflow入门免费教程，视频共5个小时。跟着老师敲代码，怕忘的地方用#标注，遇到不懂就上网查或问朋友。
2.3 时间分配：主要时间用来理解ANN的结构，还有调试BUG。Pycharm可以智能提示语法BUG，困扰初学者的往往是逻辑BUG，比如哪个参数传错了。这种情况查一下原版教学代码，用文件对比工具找到原因，就可以解决问题。
2.4 执行标准：理解Tensorflow的框架结构和操作思路，能读懂每行代码，顺利运行就OK。
第2个小时：能拟合出一条线性函数曲线
第3个小时：可以创建传说中的神经网络
第5个小时：可视化损失函数和神经网络
当我们输出了Graph时，一切都变得直观了。就这样一步步实现Tensorboard、过拟合、CNN、RNN、无监督等案例，整个人会越来越有信心。
20-30小时：我们能实现上图的LSTM。
可以一边操作，一边想象过程：比如点击上图中第一个隐藏层in_hidden，展开后能清晰地看到神经元和流动的张量。输入信号的shape先从3维转到2维，优化器参与梯度优化，shape从2维升到3维，最终将输出信号给到LSTM。
LSTM中每个cell选择性接收前一个cell的记忆和输入信号，再选择性输出给下个cell。循环往复类似的过程，模型就拥有了长久记忆能力。通过下面的结果图，可以直观地看到蓝线始终在学习红线的轨迹。经过不断的循环，蓝线最终拟合到接近红线的程度。
浅学Keras【5小时】
依然用莫烦的视频教程，比较简单就不细说了。可能有人觉得学习50小时依然很长，都够玩120盘王者荣耀了。也可以跨过Tensorflow直接上Keras，大约30小时内出模型。这里作者还是推荐学习Tensorflow，有助于更深入理解细节。
以上就是入门神经网络Demo的三步走。如果你与我一样是工作兼学习，只要每天投入4小时，坚持2-3周，就可以有这5项收获：
- 理解概念：张量、激励函数、优化器、损失函数、梯度下降、反向传播、学习率、批标准化等。
- 理解模型：CNN–>卷积、池化、全连接；RNN–>分类、回归、LSTM；非监督学习–>聚类、降维。
- 了解工程：采集标注、设计模型、构建模型、训练模型、测试调优等流程，有助于跟工程师更好地交流配合。
- 抽象能力：构建神经网络会思考数据的特征、模型的结构，不知不觉间就经历了抽象特征–>可视化的全过程。
- 类机器思维：本文的写作思路，就模仿了机器学习过程。以理解原理（result）为导向，从学习资源（data）中提取特征，对信息做过滤、降维处理。然后通过实践（training）优化认知（optimizer），再将个人推测（prediction）与真相对比印证（loss）。自从接触了AI，类机器学习的思维模式就开始赋能我生活、工作的场景。它帮助我不断进化，越来越高效。
关于学习，我最在乎的就是速度，唯快不破！现实中每条赛道终点幸存者寥寥无几，参赛者都在拼命减少犯错的可能性。全民拼命的背景下，谁犯错少谁就胜出。
AI的范畴比较大，我转型的策略是先模拟项目、模拟Demo，“一石多鸟”的学习方式，保持较广的视野。而不是一头扎进某个深坑，管中窥豹，很久都爬不上船。
不管AI的泡沫何时被戳破，我们上船的速度都非常重要。速度决定我们未来能喝到啤酒，还是随泡沫一起被吹散。我觉得要转型AIPM的、零AI基础的朋友们，可以先切入几个相对容易获取的能力维度：
- 产业、场景分析能力
- 大数据、知识图谱能力
- 理解机器学习、神经网络原理
- 理解NLP、CV、推荐系统等技术
- 理解常用算法
这也是为什么我复盘3周的学习后，先输出一篇场景分析，再输出本篇Demo。
这条路径受到前辈们的启发，很幸运地借鉴了@李杰克的经验，少走很多弯路。欢迎朋友们提问和建议，转型路上，让我们一起加油吧！
作者：于长弘，公众号：AI小宇宙（ID：AI_endless）
本文由 @于长弘 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自 Unsplash ，基于 CC0 协议