第I部分 AI的基础：术语、基础设施、AI类型以及AI产品案例
第1章 构建AI产品所需要的基础设施和工具
1.1 定义：什么是AI，什么不是AI
1.2 机器学习与深度学习的区别
1.2.1 机器学习
1.2.2 深度学习
1.3 机器学习的学习类型
1.3.1 监督学习
1.3.2 无监督学习
1.3.3 半监督学习
1.3.4 强化学习
1.4 流程顺序：最佳流程及其过程
1.4.1 步骤1：数据可用性和集中化
1.4.2 步骤2：持续维护
1.5 数据库基础：数据库、数据仓库、数据湖和湖仓
1.5.1 数据库
1.5.2 数据仓库
1.5.3 数据湖（和湖仓）
1.5.4 数据流水线
1.6 项目管理：IaaS
1.7 部署策略：部署与应用模型
1.7.1 影子部署策略
1.7.2 A/B测试模型部署策略
1.7.3 金丝雀部署策略
1.8 AI 领域的成功案例：构建基础设施的成功案例
1.9 AI 的潜力：AI的发展方向
1.10 本章小结
第2章 AI产品的模型开发和维护
2.1 了解NPD的各个阶段
2.1.1 阶段1：发现
2.1.2 阶段2：定义
2.1.3 阶段3：设计
2.1.4 阶段4：实施
2.1.5 阶段5：市场营销
2.1.6 阶段6：培训
2.1.7 阶段7：发布
2.2 模型类型：从线性回归到神经网络
2.3 模型训练：为上线做准备
2.4 模型部署：交付研发结果
2.5 模型测试和故障排除
2.6 模型刷新：模型更新频率的伦理规范
2.7 本章小结
第3章 机器学习和深度学习深入剖析
3.1 传统的AI：机器学习
3.2 新兴的AI：深度学习
3.2.1 隐藏的影响
3.2.2 深度学习简史
3.2.3 神经网络的类型
3.3 新兴技术：相关的辅助技术
3.4 可解释性：伦理、注意事项和责任
3.5 准确性：为成功做准备
3.6 本章小结
第4章 AI产品的商业化
4.1 成功的B2B产品案例
4.2 成功的B2C产品案例
4.3 蓝海产品案例
4.4 红海产品案例
4.5 差异化、颠覆性和主导性战略产品案例
4.5.1 主导性战略
4.5.2 颠覆性战略
4.5.3 差异化战略
4.6 本章小结
第5章 AI转型及其对产品管理的影响
5.1 财富和价值：AI革新经济体系
5.2 商品和服务：商业MVP的增长
5.3 政府和自治：AI塑造社会的边界和自由
5.4 疾病和健康：AI和纳米技术在医疗领域的应用
5.5 基本需求：AI向善
5.6 本章小结
第II部分 构建AI原生产品
第6章 了解AI原生产品
6.1 AI产品开发的阶段
6.1.1 阶段1：创意
6.1.2 阶段2：数据管理
6.1.3 阶段3：研发
6.1.4 阶段4：部署
6.2 AI/ML产品团队的最佳组合
6.2.1 AI产品经理
6.2.2 AI/ML/data策略师
6.2.3 数据工程师
6.2.4 数据分析师
6.2.5 数据科学家
6.2.6 机器学习工程师
6.2.7 前端/后端/全栈工程师
6.2.8 UX设计师/研究员
6.2.9 客户成功
6.2.10 市场/销售/市场推广团队
6.3 技术栈投资
6.4 AI服务产品化：AI产品管理的不同之处
6.5 AI定制化：针对行业和客户群体的考虑
6.6 销售AI：产品管理与销售
6.7 本章小结
第7章 机器学习服务产品化
7.1 AI产品与传统软件产品的差异
7.1.1 相似之处
7.1.2 差异之处
7.2 B2B与B2C：产品化的商业模式
7.2.1 领域知识：了解市场需求
7.2.2 实验：探索群体的需求
7.3 一致性和AIOps/MLOps：信赖与信任
7.4 性能评估：测试、重新训练和超参数调整
7.5 反馈循环：建立关系
7.6 本章小结
第8章 面向垂直领域、客户和同行群体的定制化
8.1 特定领域的AI定制化
8.1.1 了解市场
8.1.2 产品设计与市场服务
8.1.3 制定AI产品战略
8.2 AI产品高度渗透的垂直领域
8.2.1 金融科技
8.2.2 医疗保健
8.2.3 网络安全
8.3 用户行为分析
8.4 AI产品的价值指标
8.4.1 OKR
8.4.2 KPI
8.4.3 技术指标
8.5 思想引领：向同行学习
8.6 本章小结
第9章 产品的宏观AI和微观AI
9.1 宏观AI：基础和范畴
9.1.1 机器学习
9.1.2 计算机视觉
9.1.3 自然语言处理
9.1.4 深度学习
9.1.5 机器人技术
9.1.6 专家系统
9.1.7 模糊逻辑/模糊匹配
9.2 微观AI：功能层面
9.2.1 机器学习（传统机器学习/深度学习/计算机视觉/自然语言处理）
9.2.2 机器人技术
9.2.3 专家系统
9.2.4 模糊逻辑/模糊匹配
9.3
展开
