Менеджмент AI- и BigData-продуктов
Практический курс, на котором вы узнаете, как создавать и запускать BigData-продукты.
Формат
Лекции в записи
Начало обучения
Сразу после оплаты
Продолжительность курса
2 месяца
Где проходит обучение
На собственной платформе
Уровень сложности
Новичок
Этот курс включает
Видеоуроки в записи
Чему вы научитесь?
Как научиться создавать BigData-продукты. Какие навыки необходимы продакт-менеджеру. Что такое «фичи» в ML и как их выбирать. Как рационально использовать AI/ML в продуктах. Как оценить профит и разработать стратегию продвижения.О курсе
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.
Программа обучения
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.
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.
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.
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.
Практическая работа с инструментами Яндекс.Толока и Google's AutoML.
Создаём датасет, выбираем фичи, получаем первый результат и сами понимаем как работает ML-команда.
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.
