一个最简单的理解是，神经网络的本质就是一个多输入多输出的函数，我们常见的训练算法实际上是通过训练样本进行数据拟合，找到适合这个函数的参数从而进行应用。

（2）一些难以理解的概念解释

核函数

其作用是将数据投影到更高维的数据空间中，包括线性核、多项式核、高斯核函数等。

拟合能力与泛化能力

神经网络模型好坏的重要评判标准之一。拟合能力指的是神经网络输出的准确度，拟合能力越强，准确度越高；泛化能力指的是神经网络对于新样本的适应程度。一般来说，拟合能力越强的神经网络，其泛化能力可能较差。

有监督和无监督

在神经网络或者大多数机器学习算法中，一般把有标签的数据进行训练学习称为有监督学习；而数据不带有标签，通过特征统计等的算法称为无监督学习，常见的如聚类。

（3）神经网络的优势

神经网络是一种黑箱建模方法，以下是神经网络进行应用的实验分析。

神经网络的应用举例：太阳黑子预测，手写字体识别实验和TE工业系统故障预测。

上图是应用神经网络进行太阳黑子预测的效果实验，经过改造后的神经网络对于数据预测的效果更加好。

上图是通过神经网络进行识别手写数字的实验对比图，经过改造的神经网络的识别准确率高达90%。

神经网络好用的地方在于黑箱建模的方式，可以帮助使用者在即使不了解对象特性的基础上，一样能够得到良好的运用，因此运用范围广泛。

神经网络用于复杂工业系统，如TE过程，是很多智能控制研究者常见的研究对象。

面对复杂系统，在技术方案设计中考虑了现场数据的滤波、去燥、归一化，对于新数据使用预测模型进行预测，使用KPCA方法进行数据特征提取，通过历史数据和新数据进行误差反馈和在线更新，形成完整的故障预测方案。

上图为改进后的神经网络图，相比于基础的神经网络，增加了2个反馈层，从而使神经网络能够适应动态数据。

数据处理的难点其实在于数据特征不明显，如上图中，左图是故障4和5的数据表现，通过肉眼很难识别，而经过特征提取，能够将数据的特征放大，从而提升神经网络的识别准确度。

通过以上神经网络方案设计和运用的例子，希望大家明白人工智能方案在不同的应用领域和不同的数据，方案不是想象中使用同一方法建模如此简单。一个有效的方案，需要深入了解这个领域实际的问题，而产品在其中扮演的角色，如果对于人工智能技术的理解仅仅停留在表层，注定不会得到最优的方案。

4. 产品经理应该如何玩转人工智能？

产品经理面对新技术时的态度：

（1）对于新的技术应该抱有敬畏之心

以我个人的学习经历来看，真正能够理解人工智能技术是需要时间的，尽管现在有很多文章说明转型的可能性，但切忌不能因为了解了人工智能的皮毛，就以为能够进行产品设计和应用，很多想当然的决策可能带来的是巨大的成本，甚至可能导致走很多弯路。因此对不了解的事物，不能轻易下结论。

（2）做正确的事VS正确地做事

人工智能不是万能的，atv，也不是运用到所有的场景，如果把很多用很简单的方法就能解决问题的方法，生搬硬套使用人工智能，j2直播，未必就是正确的事，产品需要时刻反思，自己正在做的事是不是正确的？

（3）理解产品工作的本质，本身是一种面向未来的规划

工作中也需要适当引导使用新技术，毕竟这个世界变化太快，拥抱变化才能拥有未来。

（4）人工智能本身是一种双刃剑，学会更好的应用而不是滥用

人工智能未必全是好的，要正确对待人工智能带来的好处，也要预见到它可能带来的不利影响。

最后推荐一个好玩的产品应用和一部电视剧，帮助大家了解人工智能在我们生活中的应用。

文章中部分内容摘自网络，有不到位或错误的地方，烦请指出，我会及时更正~

参考文章：

《人工智能发展简史》

《人工智能产业分析与创业投资盘点：636 起投资事件，吸金 574 亿》

《58张PPT，详解“从互联网产品经理到AI产品经理”》

《傅盛：深度学习降低技术壁垒，恐慌的应该是大公司》

作者：小T，一个奋斗在一线的互联网金融产品经理~

本文由 @小T 原创发布于人人都是产品经理。未经许可，禁止转载。