Менеджмент AI- и BigData-продуктов

Менеджмент ai- и Bigdata продуктов

• Научитесь создавать BigData-продукты и применять AI
• Освоите навыки управления сложными технологичными продуктами

На курсе вы

• Внедрять ML-задачи. Оценка профита и трудоёмкости AI/ML-функциональности.
  Снижение рисков неудачного завершения AI/ML-проектов. Разбор кейсов внедрения и оценки AI-задач.
• Выстраивать AI-стратегии. Работа с командами разработки, аналитики и маркетинга, защита своих идей, работа со смежниками, удержание и мотивация сотрудников
• Работать с BigData- и ML-командой. Нюансы при общении с AI- и ML-командой: Достаточно ли обучена выборка? Чистые ли данные? Выбрали ли мы правильный набор данных?
• Использовать датасеты и модели. Выбор «фич» в ML, особенности датасетов, сбор и очистка данных, выбор, составление и обучение ML-модели

Программа курса

• Урок 1: Определение бизнесовых точек роста компании, в которых может помочь ML
• Урок 2: AI-продукты и машинное обучение
• Урок 3: Чек-лист внедрения ML-задач в компании и команде
• Урок 4: Лучшие практики работы с BigData/ML-командой
• Урок 5: Работа с датасетами и моделями. Выбор фичей
• Урок 6: Workshop: создание и запуск датасета
• Урок 7: Валидация бизнес-результатов запуска AI/ML функциональности
• Урок 8: Technical Product Manager
• Урок 9: Введение в блок SQL
• Урок 10: Извлечение данных и операторы
• Урок 11: Фильтрация данных и условия
• Урок 12: Знакомство с машинным обучением
• Урок 13: Введение в нейронные сети
• Урок 14: Введение (рекомендательные системы)
• Урок 15: Методологии анализа больших данных и организации команды. CRISP-DM
• Урок 16: Культура сбора и источники данных / Улучшение качества работы с данными
• Урок 17: Основы работы в Hadoop и MapReduce
• Урок 18: Основы архитектуры хранения и обработки больших данных, виды обработки и масштабирования
• Урок 19: Soft skills для продакта
• Урок 20: Защита своего проекта и идей перед командой и руководителями