资源介绍：

该课程全面解析数据产品和人工智能产品的开发与设计。学员将学习产品规划、数据分析以及AI技术应用，通过案例实践掌握产品开发流程，致力于帮助他们成功进入数据和人工智能产品领域

课程目录

• 01.课程介绍
• 02.1-1产品、产品思维与产品经理
• 03.1-2经理的内功心法
• 04.1-3产品全生命周期管理
• 05.1-4互联网常见盈利模式
• 06.1-5产品经理的职业生涯规划
• 07.1-6产品经理的一天是怎样的
• 08.1-7总结
• 09.2-1战略分析：市场分析
• 10.2-2竞品分析
• 100.9-3构建标签类目体系
• 101.9-4用户画像精细化运营平台
• 102.9-5用户画像底层存储
• 103.10.数据策略之搜索与推荐-章节导读
• 104.10-1走进搜索推荐策略数据产品
• 105.10-2抖音背后的推荐机制
• 106.10-3从0到1打造推荐系统-搭建框架
• 107.10-4从0到1打造推荐系统-数据准备
• 108.10-5搜索推荐内容总结
• 109.10-6电商平台推荐案例
• 11.2-3需求分析方法论
• 110.11.数据产品进阶-数据仓库-章节导读
• 111.11-1数据仓库说明与业务场景
• 112.11-2数据仓库分层设计案例
• 113.11-3从0-1离线数仓的案例推演析
• 114.11-4ETL数据转换组件
• 115.11-5从0-1实时数仓案例数据推演
• 116.12.B端数据产品道与术-章节导读
• 117.12-1盘点一下B端产品
• 118.12-2B端数据产品工作范围案例剖析
• 119.12-3B端创意性数智化场景举例
• 12.2-4战略分析：商业分析
• 120.13-1.数据中台数据产品
• 121.13-2数据平台正成为企业核心竞争力
• 122.13-3数据中台建设方法论
• 123.13-4从0-1数据集成平台逻辑与产品案例
• 124.13-5从0-1指标管理平台逻辑与数据案例推演
• 125.13-6从0-1离线开发平台逻辑与案例
• 126.13-7从0-1实时开发平台逻辑与案例
• 127.13-8从0-1落地标签画像平台架构原型产品案例
• 128.13-9从0-1落地数据质检平台案例剖析
• 129.13-10从0-1落地数据服务平台
• 13.2-5总结
• 130.13-11从0-1落地BI平台的心得体会分分享
• 131.14.求职面试技巧-章节导读
• 132.14-1面试前的准备
• 133.14-2面试中的小技巧
• 134.14-3破解三个面试中的灵魂问题
• 135.15.产品人的职业成长-章节导读
• 136.15-1产品人的向上管理
• 137.智能BI课程介绍
• 138.1-1BI基本概念
• 139.1-2BI架构
• 14.3-1实战思维导图
• 140.2-1可视化分类-框架-产品
• 141.2-2可视化图形交互动作
• 142.2-3统计学基础知识
• 143.3-1数字大屏
• 144.3-2仪表板
• 145.3-3数据分析案例
• 146.3-4复杂报表
• 147.4-1指标梳理方法
• 148.4-2指标管理平台
• 149.4-3指标应用案例
• 15.3-2交互设计原则
• 150.5-1维度建模方法
• 151.5-2离线数仓案例
• 152.5-3实时数仓场景与逻辑架构
• 153.6-1产品战略分析
• 154.6-2BI工具侧0-1实现路径
• 155.6-3BI业务侧关注内容
• 156.6-4业务指标体系
• 157.6-5BI性能提升之路
• 158.7-1产品战略分析
• 159.7-2对话式智能BI产品演示
• 16.3-3交互原型工具选型比较
• 160.7-3基于知识图谱的智能BI产品讲解
• 161.7-4对话式智能BI技术方案
• 162.7-5多伦对话模式说明
• 163.7-6对话式智能BI迭代路径
• 164.大数据时代的数据仓库
• 165.1-1数据仓库概念
• 166.1-2数据仓库架构
• 167.1-3数据仓库术语解析
• 168.2-1数据仓库分层设计
• 169.2-2数仓建模方法
• 17.3-4-AXURE-APP设计
• 170.2-3维度建模详解
• 171.3-1离线数仓业务场景介绍
• 172.3-2数据总线规划设计
• 173.3-3滴滴案例-数仓分层设计
• 174.3-4产品演示数据开发
• 175.4-1实时计算场景
• 176.4-2实时数仓演进及其加工逻辑
• 177.4-3实时数仓技术组件Kafka与Flink特性
• 178.4-4手把手带你写FlinkSQL实现实时计算
• 179.5-1数据模型架构原则
• 18.3-5AXURE中的高级用法
• 180.5-2数仓公共开发规范
• 181.5-3数仓各层开发规范
• 182.5-4数仓命名规范
• 183.6-1数据治理方法
• 184.6-2数据质检流程
• 185.6-3数据质量具体检核规则
• 186.6-4数据质检产品案例
• 187.7-1ETL与ELT数据集成架构
• 188.7-2ETL数据转换组件
• 189.7-3企业主数据落地方案
• 19.3-6开展一场有效的交互评审
• 190.课程介绍
• 191.1-1中台化与平台化
• 192.1-2数据中台的由来
• 193.1-3数据中台的价值驱动力
• 194.1-4数据中台的能力范式
• 195.1-5数据中台和数据仓库的区别
• 196.1-6离线与实时数仓的区别
• 197.2-1业务数据化
• 198.2-2业务数据化六大现状
• 199.2-3数据资产化
• 20.3-7总结
• 200.3-1数据建设之存通用
• 201.3-2数据同步与集成架构
• 202.3-3企业数据应用分析
• 203.4-1用户行为数据分析-DataVault模型
• 204.4-2多维分析CUBE模型
• 205.4-3业务数仓建模-维度建模
• 206.4-4标签画像建模
• 207.4-5知识图谱建模
• 208.4-6智能搜索建模
• 209.5-1数据中台与BI应用
• 21.4-1带你写好PRD
• 210.5-2数据中台与AI应用
• 211.6-1赋能行业的数据中台
• 212.6-2数据中台存储底座趋势洞察
• 213.7-1数据平台正成为企业核心竞争力
• 214.7-2数据中台建设方法论
• 215.7-3从0-1数据集成平台逻辑与产品案例
• 216.7-4从0-1指标管理平台逻辑与数据案例推演
• 217.7-5从0-1离线开发平台逻辑与案例
• 218.7-6从0-1实时开发平台逻辑与案例
• 219.7-7从0-1落地标签画像平台架构原型产品案例
• 22.4-2带你写好DRD文档
• 220.7-8从0-1落地数据质检平台案例剖析
• 221.7-9从0-1落地数据服务平台
• 222.7-10从0-1落地BI平台的心得体会分分享
• 223.数据中台-落地全案
• 224.最新课程介绍
• 225.1-1认识知识图谱
• 226.1-2什么是知识图谱
• 227.1-3知识图谱的表示
• 228.1-4知识图谱的计算
• 229.1-5知识图谱的存储
• 23.4-3产品经理必会流程图
• 230.1-6知识图谱与人工智能的关系
• 231.2-1知识图谱落地流程
• 232.2-2知识图谱技术选型6大思考
• 233.2-3知识图谱数据收集
• 234.2-4知识图谱设计四原则
• 235.2-5知识图谱规则应用设计
• 236.2-6金融风控图谱详解
• 237.2-7图谱可视化分析实例
• 238.3-1图数据库选型
• 239.3-2代码实战讲解图谱创建与查询
• 24.4-4产品1-10阶段
• 240.3-3知识图谱算法
• 241.3-4算法之社区发现
• 242.4-1知识图谱8大应用场景
• 243.4-2知识图谱7大主流行业应用
• 244.4-3知识图谱在其他领域的应用举例
• 245.4-4认知计算平台概要
• 246.5-1工具化知识图谱国外内产品详解
• 247.5-2知识图谱架构设计
• 248.5-3工具化知识图谱落地实例
• 249.5-4知识图谱落地实践思考
• 25.4-5总结
• 250.6-1智能问答产品说明
• 251.6-2构建智能问答逻辑（NL2SQL）
• 252.6-3智能问答NLP流程
• 253.6-4智能问答语料使用
• 254.6-5智能问答模型选用对比
• 255.7-1本套课程总结
• 256.AI产品经理
• 257.1-1人工智能-面向未来的第四次技术革命
• 258.1-2大数据与人工智能
• 259.1-3身边常见智能场景初探
• 26.5-1数据分析能力认知
• 260.1-4掌握AI的三层架构
• 261.1-5智适应教育有多智能
• 262.2-1机器学习_深度学习_强化学习各自解决什么问题
• 263.2-2人脸识别-AI产品经理需要了解的CV通识-
• 264.2-3从“转文字”到科大讯飞–语音识别与NLP-
• 265.2-4知识图谱在各领域的应用与发展趋势
• 266.3-1机器学习经典五大模型和应用解析
• 267.3-2AI服务0-1搭建流程
• 268.3-3案例拆解-企业机器学习与数据挖掘解决方案
• 269.4-1抖音推荐算法讲解
• 27.5-2如何破除思维误区
• 270.4-2从0到1打造推荐系统-搭建框架
• 271.4-3从0到1打造推荐系统-数据准备
• 272.4-4电商平台推荐案例
• 273.5-1计算机视觉要解决的问题和主流落地项目
• 274.5-2机器视觉难点、8大任务、原理、常见场景
• 275.5-3物体检测、实例分割、图像识别等常用算法
• 276.5-4案例拆解-企业计算机视觉项目案例
• 277.6-1知识图谱落地流程
• 278.6-2知识图谱设计方法
• 279.6-3知识图谱助力企业风控平台
• 28.5-3数据分析思维的养成
• 280.6-4智能聊天机器人产品剖析
• 281.6-5企业客服对话机器人0-1搭建
• 282.6-6从0-1搭建对话式智分析平台
• 283.产品经理如何设计数据埋点
• 284.产品经理如何设计指标字典
• 285.资料库介绍
• 29.5-4数据分析的通用流程
• 30.5-5数据分析常用的使用场景
• 31.5-6数据分析-案例分析
• 32.6-1OneData指标体系
• 33.6-2业务指标体系
• 34.6-3电商归因模型
• 35.6-4抖音背后的推荐算法解密
• 36.6-5滴滴RFM模型实战
• 37.6-6摁不住的拼多多
• 38.8-1产品经理分类
• 39.8-2C端与B端赛道比较
• 40.9-1盘点面试常见问题
• 41.9-2企业岗位生成与JD匹配
• 42.9-3高质量简历特点总结
• 43.9-4高质量简历详细讲解
• 44.10-1自我介绍环节
• 45.10-2工作履历交流环节
• 46.10-3自由交流环节
• 47.10-4面试官如何记录面试过程的
• 48.10-5作品关
• 49.10-6笔试关
• 50.10-7谈钱不伤感情
• 51.10-8面试中常用的一些小技巧
• 52.0.课程介绍-整体
• 53.1.认识数据产品经理-章节导读
• 54.1-1认识数据产品
• 55.1-2数据产品经理分类
• 56.1-3数据产品经理职业选择
• 57.2.数据思维养成-章节导读
• 58.2-1数据思维
• 59.2-2数据分析能力认知
• 60.2-3盘点企业5大数据分析场景
• 61.2-4数据分析-案例分析
• 62.3.数据产品经理的数据分析能力-章节导读
• 63.3-1数据PM掌握数据分析到什么程度
• 64.3-2SQL查询语言
• 65.3-3SQL案例讲解
• 66.3-4可视化分类-框架-产品
• 67.3-5可视化图形交互动作
• 68.3-6统计学基础知识
• 69.3-7搭建数据看板案例
• 70.4.用户产品数据驱动方法论-章节导读
• 71.4-1数据驱动产品迭代方法
• 72.4-2用数据策略提升产品体验
• 73.4-3数据驱动精细化运营
• 74.4-4从0到1数据驱动四步进阶法
• 75.5.数据采集-数据埋点案例-章节导读
• 76.5-1数据埋点采集之道
• 77.5-2选择最佳埋点方案
• 78.5-3埋点采集案例讲解
• 79.5-4埋点采集背后的DataVault存储模型
• 80.6.指标体系设计-章节导读
• 81.6-1常见指标体系分析
• 82.6-2制定北极星指标三部走
• 83.6-3三个常见指标拆解案例-
• 84.6-4-5大业务指标体系
• 85.7.数据产品常用分析模型-章节导读
• 86.7-1同期群分析
• 87.7-2用LTV衡量用户价值
• 88.7-3用漏斗分析业务转化避开4大坑
• 89.7-4电商归因模型
• 90.8.AB测试方法与案例-章节导读
• 91.8-1AB测试方法与流程
• 92.8-2-AB测试-详情页优化案例解析
• 93.8-3-AB测试-拉新策略案例解析
• 94.8-4-AB测试-流失召回案例解析
• 95.8-5-AB测试-算法迭代案例解析
• 96.8-6-AB测试-商城首页改版案例解析
• 97.9.标签画像驱动产品运营-章节导读
• 98.9-1认识用户画像
• 99.9-2滴滴RFM模型实战