Курс «Менеджмент AI- и BigData-продуктов»

В достаточной степени обучена выборка? Чистые ли данные? Выбрали ли мы правильный набор данных? Будут ли проблемы на продакшене и в чем? Если вас волнуют эти вопросы — значит, вы продакт-менеджер, которому не хватает опыта.

Рекомендуем курс «Менеджмент AI- и BigData-продуктов» от ProductStar. Вы освоите набор навыков, необходимых для того, чтобы стать BigData Product manager и правильно выстраивать командную работу.

На курсе «Менеджмент AI- и BigData-продуктов» вы получите:

• Правила постановки цели для AI/BigData-проектов.
• Понятные инструкции, как создавать BigData-продукты.
• Кейсы оценки и внедрения AI-задач. 
• Практику с инструментами Яндекс.Толока и Google's AutoML.

На курсе вы сможете собрать портфолио из реальных кейсов и составить конкурентное резюме. В качестве бонуса вы пройдете специальное тестовое собеседование и сможете получить помощь кураторов даже после трудоустройства.

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. Чек-лист 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.

• Формат
  Самостоятельно
  Видеоуроки
  Обучение в ЛК на сайте автора
• Демодоступ
• Количество уроков
  6
• Продолжительность
  2 месяца
• Уровень сложности
  Для новичков
• Когда вы будете учиться
  В любой день в любое время
• Домашние задания
  ЕстьС проверкойОбязательные
• Документ об обучении
  Диплом
• Сопровождение
  Куратором
• Общение с группой
  Чат в Telegram
• Техническая поддержка
  В рабочее времяЧат в ВКЧат в мессенджереТелефон
• Способы оплаты
  QIWIWebMoneyКарта МирКарты Visa, Mastercard, MaestroСбербанк ОнлайнЯндекс Деньги