学习大纲：两周搭建Demo理解机器学习,人人都是产品经理微信公众号文章

作者：于长弘

全文共 2292 字 4 图，阅读需要 6 分钟

———— / BEGIN / ————

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

一、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。

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。

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。

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。

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。

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。