Программа

Курс подходит начинающим продактам, middle-продактам и тем, кто хочет перейти в данную специальность. Вы научитесь определять бизнесовые точки роста компании, работать с датасетами и моделями, а также валидации бизнес-результатов запуска AI/ML-функциональности.

Вас ждёт 6 блоков и 6 практических заданий. По ходу курса вам помогут с трудоустройством и подготовкой к собеседованиям, а после обучения вы получите сертификат об успешном прохождении курса.

Урок 1: «Определение бизнесовых точек роста компании, в которых может помочь ML»
- AI-продукты и тренды их внедрения.
- Обзор продуктов, которые используют AI.
- Объясняем, зачем компаниям нужен AI/ML.
- Детальный разбор 1-2 продуктов и необходимости использования ML в них.
- Учимся разбираться, в каких случаях поможет ML, а в каких нет.
- Учимся понимать, какие проблемы проще решить с помощью AI/ML, а какие сложно.
- Постановка чётких целей для AI/BigData-проектов.
Урок 2: «Чеклист внедрения ML-задач в компании и команде»
- AI для ваших задач. Построение AI-стратегии.
- Оценка профита от внедрения AI/ML-функциональности.
- Оценка трудоёмкости AI/ML-задач для правильного планирования.
- Как снизить риски неудачного завершения AI/ML-проектов.
- Разбор кейсов внедрения и оценки AI-задач.
Урок 3: «Лучшие практики работы с BigData/ML-командой»
- Разбираем, какие нюансы (новые типы принимаемых решений) приходится принимать менеджеру по продукту при общении с AI/ML-командой.
- Достаточно ли обучена выборка? Чистые ли данные? Выбрали ли мы правильный набор данных? В чём могу быть проблемы на продакшене?
- Глоссарий основных терминов (learning, unsupervised learning, neural networks).
- Построение правильной культуры в команде. Как тестировать ML-продукты.
Урок 4: «Работа с датасетами и моделями. Выбор фичей»
- В чём сила и нюансы датасетов. Как происходит сбор и очистка данных и что об этом должен знать менеджер.
- Юридические стороны вопроса.
- Что такое «фичи» в ML и как их правильно выбирать.
- Выбор и составление модели. Как выбирают и обучают модель.
- Реальный пример с использованием инструмента Google's AutoML.
- Описание стандартных кейсов: обработка видео, эмоции, работа с изображениями, вытаскивание параметров.
Урок 5: «Workshop: создание и запуск датасета»
- Практическая работа с инструментами Яндекс.Толока и Google's AutoML.
- Создаём датасет, выбираем фичи, получаем первый результат и сами понимаем как работает ML-команда.
Урок 6: «Валидация бизнес-результатов запуска AI/ML-функциональности»
- Разбираемся, как измерять профит и принимать решения по собранным моделям.
- В каких случаях не стоит выкатывать в продакшен полученные модели.
- Поддержка внедренных ML- и BigData-решений.

Чему научат на курсе

—

Разрабатывать AI-стратегию и работать с датасетами и моделями

—

Лучшим практикам работы с BigData/ML-командой

—

Оценивать профит и трудоёмкость от внедрения AI/ML-функциональности

О школе

4.6

16 отзывов

82 курса

ProductStar

Скидка 60% на покупку курса по промокоду digital. Скидка считается от первоначальной стоимости курса и не суммируется с другими акциями. Действует до 31.12.2023 г.

ProductStar — это онлайн-школа, которая обучает диджитал профессиям на прикладных кейсах российских и международных компаний. Их курсы рассчитаны на маркетологов, топ-менеджеров, разработчиков, аналитиков, продуктовых и проектных менеджеров.

Спикеры школы — специалисты в своей области из ведущих компаний, таких как Skyeng, Сбербанк, Booking.com и др. Лучшие ученики получат рекомендации от спикеров курса.

Оставьте свой отзыв

Так вы сделаете рейтинг школ более точным и поможете другим выбрать хороший курс

Оставить отзыв

Менеджмент AI- и BigData-продуктов

Урок 1: «Определение бизнесовых точек роста компании, в которых может помочь ML»

Урок 2: «Чеклист внедрения ML-задач в компании и команде»

Урок 3: «Лучшие практики работы с BigData/ML-командой»

Урок 4: «Работа с датасетами и моделями. Выбор фичей»

Урок 5: «Workshop: создание и запуск датасета»

Урок 6: «Валидация бизнес-результатов запуска AI/ML-функциональности»

Оставьте отзыв