拜个早年,产品经理要不要懂技术

这是一个古老的问题,但确实一直有人问。

答案很简单,产品经理是个综合的岗位,所以,不能仅仅看是否懂技术,就判断“能不能做”,但,懂技术肯定是个优势,只要不滥用的话。

具体点说:

不要求你会Coding,但至少可以和技术人员无障碍对话。

最好的情形,是技术可以直接用平时和同伴说话的方式和你交流,而不用刻意翻译,当然,和越强的技术配合,你就会越轻松,他们也会为你考虑,尽量用通用一点的语言。

或者,你的沟通能力、理解能力特别强,也可以弥补一点Gap。

如果,对话过程中,你经常听不懂,技术解释了互相还是不明白……那是很伤的,失去了信任,基本就要没法做朋友了。

举几个实例:

至少知道iOS的开发分客户端、服务端吧,一个改动,可以判断出是哪边的事情,不要找错人。

能想得到一些静态文案,做成配置文件,可以方便的改,这种需求,对于技术一窍不通的人可能会想不到,之后就会不断抱怨为啥改一句话也那么麻烦。

比较好的,有时候逻辑讲不清楚,可以直接看关键代码,各种语言的语法其实都类似,稍微写过某种,基本看得懂。

比较简单的XML文件要会改吧,比如帮助页面,把文案给技术,技术再改,太麻烦了。

能给出建议某些东西可能经常要改动,所以最好放在服务端,某些功能最好做成H5页面。很多业务需求和技术方案会互相影响的。

……

就算你看不懂上面我在说什么,也不用担心,确实见过很多文科出身的人,被熏陶几个月以后,也上手了,但这几个月,自己和整个团队确实都比较痛苦,有不少效率损耗。所以,在应聘时候的劣势……得有更多的加分项来填补。

当然,这也和产品形态有关,比如做Baidu搜索核心的产品经理,估计非特定方向的技术出身,是很难补上来了,又如你要做一个导购类的App,貌似就容易些(有误伤不要打我)。所以,你要补哪方面的“技术常识”,最好能先明确将来你要做什么产品,可能碰到哪些。

最后加一句,如果很懂,请勿滥用。

一是对自己,应该把更多的时间精力用在思考产品层面的事情;二是对技术,不应该剥夺大家的“责任感”与“参与感”。

快过年了,估计下次正儿八经的文章要年后了,提前给大家拜个早年啦~~~

-----------------------------

@iamsujie的产品线:

--图书:《人人都是产品经理》;《淘宝十年产品事》

--课程:企业内训;高校入门课

--品牌:@七印部落,代表作《启示录》等

--网络平台:公众号、微博、知乎、豆瓣等(统一@iamsujie

0

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值