Войти
 

Менеджмент AI- и BigData-продуктов. Обучитесь и станьте менеджером IT-продуктов


Длительность: 2 месяца
Вас ожидают 6 блоков и 6 практических заданий от практиков рынка с проверкой уровня обучения. Всего за два месяца разберемся как AI и BigData-продукты уже используются в индустрии и освоим набор навыков необходимых специалисту, чтобы управлять проектами.

Плюсы данного курса:
- практика после каждой из 6 лекций на кейсах ведущих компаний рынка
- поддержка ментором и прохождение курса с удобной вам скоростью
- помощь с трудоустройством и тестовые собеседования

Онлайн-школа ProductStar поможет вам получить необходимые навыки, оформить резюме и получить достойную работу в интересующей вас компании.

Результат / будет знать, уметь

  • Внедрения ML-задач в компании и команд
  • Построение AI-стратегии
  • Лучшие практики работы с BigData/ML-командой
  • Работа с датасетами и моделями. Выбор фичей
    После окончания курсов выдается: Сертификат.

    Программа

    (6 блоков и воркшопов)

    Блок 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 четких целей для AI/BigData-проектов.

    Блок 2: "Чеклист внедрения ML-задач в компании и команде"
    - AI для ваших задач. Построение AI-стратегии.
    - Оценка профита от внедрения AI/ML-функциональности.
    - Оценка трудоемкости AI/ML-задач для правильного планирования.
    - Как снизить риски неудачного завершения AI/ML-проектов.
    - Разбор кейсов внедрения и оценки AI-задач.

    Блок 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 чем могу быть проблемы на продакшене?
    - Глоссарий основных терминов (learning, unsupervised learning, neural networks).
    - Построение правильной культуры в команде. Как тестировать ML-продукты.

    Блок 4: "Работа с датасетами и моделями. Выбор фичей"
    - В чем 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.

    Блок 5: "Workshop: создание и запуск датасета"
    - Практическая работа с инструментами Яндекс. Толока и Google's AutoML.
    - Создаем датасет, выбираем фичи, получаем первый результат и сами понимаем как работает ML-команда.

    Что узнаю: пойму, что в работе AI/BigData-инженеров нет никакой магии :)

    Блок 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.
    Что узнаю: научусь оценивать запуски AI/BigData-функциональности и выстраивать работу по ее поддержанию и развитию

    Написать о неактуальной информации.