一个本该成为空少的男人,是如何“沦落”为产品狗的?

彭同学,2018届毕业生,产品经理就业特训营第一期北京班学员,一名本该成为“空少”的大学生,以优秀的成绩斩获课程奖学金,成功入职为Worktile产品实习生。


如果没有走上“产品经理”这条路

那我可能按部就班地在2018年6月份毕业

然后进入航空公司

成为了一名“空少



但是我很清楚,这不是我想从事的工作。跟其他迷惘的人相比,我是幸运的,在大三的时候,我找到了自己感兴趣的职业——产品经理


既然找到了方向

那自然就是为了实现去努力


然而自学产品相关知识,不仅零散,混乱,而且很难自己去把握重点,我知道找一份产品相关的工作相当困难,而自己学习很难推动进度。


偶然在人人都是产品经理APP上看到了

“产品经理就业特训营”


当时北京站已经开课一周,我毫不犹豫地咨询报名,并争取到插班的机会,我知道这对我来说是个不容错过的机会。


我不是冲着“包就业”去的

相比起来,我更看重“零基础”


因为这时候我没有任何实习经验,能从来自一线大厂的老师那里了解这个行业,学习十年资深产品经理的思考方式,对我来说,没有比这更好的机会了。


课程导师





老师上课的水平那肯定是不用多说的,他们都是至今奋战在互联网一线的产品大牛,亲授的也是最滚烫的产品实战经验。就是这么优秀的人,每天晚上的答疑都耐心满满,跟着他们的步伐走,感觉自己可以少走很多弯路。


登录流程



模拟面试中老师也传授了不少面试经验,后期就业辅导老师给的简历修改意见也非常有帮助。


在这里,我亲历了一名合格的产品经理在设计一款产品的所有流程,真正认识了产品经理这个职业,更深刻地认识到,一个优秀的产品从前期的市场、竞品、需求分析,到后面的产品设计、交互原型、PRD文档的撰写,每一步都不可小觑。八周的课程,从0到1参与一个产品的规划设计,让我逐渐有了入行的信心。


资讯阅读流程


我设计的产品是一款资讯APP-LEAP


目前垂直行业咨询已有36kr、虎嗅等优秀的产品,这两个产品的优势是非常的专业,在垂直领域内,资讯非常全面,有深度,拥有一大批IT界和投资圈的忠实用户。


产品定位

科技和IT垂直咨询

以上两款产品相比

将资讯信息的重点放在了有趣新奇上

避开了在专业性上与以上两款竞品较量

目标用户是较年轻化

有猎奇心理、求知欲的

大学生和青年群体

目标

打造科技垂直资讯中最有趣

内容极具吸引力的平台

抓住第一批用户

奠定产品的用户基础



产品框架图


用户阅读主流程




更多优秀作品内容

请长按识别二维码查看


幸运的是,课程结束不久,我就碰到一个好机会,进入了一家做toB产品的公司,有机会直接跟着大牛学习,慢慢践行熟悉在课程中学到的理论


虽然实习期间做的是产品助理的工作,但面向CTO直接汇报,没有那种实习生过来打杂的感觉,反而有种被重点培养的满足感。每周老大还亲自给我上两节课,虽然刚入行,但对产品和行业很快就熟悉起来了。



真的发自内心感谢起点学院,帮助我跨入了这个行业的门槛。庆幸自己报名了这个课程,还有什么是比能够从事喜欢的工作更好的礼物呢。




恭喜彭童鞋通过自己的努力找到了满意的工作

用他的话来说

这是一份无可比拟的礼物



而其实

彭童鞋的经历只是

【产品经理就业特训营】

往期转行童鞋的一个缩影

他们或是刚毕业的大学生

或是工作一两年的职场新人

他们都有着不错的学历背景

按照原有的人生轨迹都能成为某个行业的精英

但他们都有一颗不愿将就的心

不甘心被所谓的专业捆绑住自己的未来


倾听更多产品经理入行故事

请添加我们的课程小助手微信入群

微信/手机 18680676467 


▼ 戳,给自己一个入行产品经理的机会!

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