Обучение менеджменту
AI и Big Data продуктов
27 января 2020 года - старт потока
Успейте зарегистрироваться и забронировать курс по ранней цене: 8 500 рублей (40% скидка)
(в январе будет повышение до 15 000 рублей)
Курс "ProductStar: AI & BigData PM"
Записываясь на курс, я соглашаюсь с офертой и политикой конфиденциальности
Зачем мне курс по AI и Big Data?
Если вы руководитель

Внедрение Machine Learning и Big Data технологий
поможет значимо повысить выручку компании
А также, на рынке есть большой спрос на таких специалистов

150 000 ₽ — средняя зарплата Product manager (по данным hh.ru)
230 000 ₽ — средняя зарплата BigData Product manager
Программа потока
курса "ProductStar: AI и Big Data"
Все лекции идут вживую онлайн (тайминг 1,5 часа + вопросы). Для тех кто пропустил будут доступны записи
27.01.20 - 21:00,
вторник
27.01.20 - 21:00,
вторник
Определение бизнесовых точек роста компании, в которых может помочь ML и формирование концепции функциональности, требующей AI/BigData
(Алексей Авдей, Site Director, Сбербанк)
Описание:
AI-продукты и тренды их внедрения.
Обзор продуктов, которые используют AI, обзор трендов почему большему числу компаний нужен AI/ML.
Разбор более детально 1-2 продуктов и необходимости использования ML в них.
Учимся разбираться в каких случаях поможет ML, а в каких нет.
Как понять какие проблемы проще, а какие сложно решить с помощью AI/ML?
Постановка чётких целей для AI и BigData-проектов.
+ домашнее практическое задание

Что получу полезного:
● Понимание в каких из ваших бизнесовых задач помогут AI/BigData, а в каких нет
29.01.20 - 21:00,
четверг
29.01.20 - 21:00,
четверг
Чеклист внедрения ML-задач в вашей компании и команде
(Роман Абрамов, Product Director, Carprice)
Описание:
AI для ваших задач и построение AI-стратегии.
Как делать оценку профита от внедрения AI/ML-функциональности?
Как делать оценку трудоёмкости AI/ML-задач, чтобы учесть при правильном планировании?
Как снижать риски неуспешного завершения AI/ML-проектов?
Разбор кейсов внедрения и оценки AI-задач.
+ домашнее практическое задание

Что получу полезного:
● Научусь делать оценку трудоёмкости AI/BigData-задач

03.02.20 - 21:00,
вторник
03.02.20 - 21:00,
вторник
Лучшие практики работы с BigData/ML-командой
(Андрей Менде, Product Manager, Booking.com)
Описание:
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?
+ домашнее практическое задание

Что получу полезного:
● Научусь работать со спецификой AI/BigData-команды

05.02.20 - 21:00,
четверг
05.02.20 - 21:00,
четверг
Работа с Big Data датасетами, моделями и выбор фичей
(Ксения Петрова, Skyeng, ex-Founder DataMining Labs)
Описание:
В чём сила датасетов, в чём нюансы. Как происходит сбор и очистка данных, 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 модель, как обучают модель.
Реальный пример с использованием одного из инструментов (Google's AutoML).
Описание стандартных кейсов — обработка видео, эмоции, работа с изображениями, вытаскивание параметров.
+ домашнее практическое задание

Что получу полезного:
● Буду эффективнее работать с AI/BigData-инженерами за счёт большего понимания специфики их работы

10.02.20 - 21:00,
вторник
10.02.20 - 21:00,
вторник
Workshop: Создание и запуск датасета
(Юрий Буйлов, Chief Technical Officer, Carprice)
Описание:
П
рактическая работа с инструментами Яндекс.Толока и Google's AutoML
Создаём датасет, выбираем фичи, получаем первый результат и сами понимаем как работает ML-команда.
+ домашнее практическое задание

Что получу полезного:
● Увижу что в работе AI/BigData-инженеров нет никакой магии :)

12.02.20 - 21:00,
четверг
12.02.20 - 21:00,
четверг
Валидация бизнесовых результатов запуска AI/ML функциональности
Разбор дипломных работ
(Михаил Карпов, Product Director, Skyeng, ex-руководитель Мультимедиа-сервисов ВКонтакте)
Описание:
Р
азбираемся как измерять профит и принимать решения по собранным моделям.
В каких случаях не стоит выкатывать в продакшен полученные модели.
Поддержка внедренных ML и Big Data решений.
+ домашнее практическое задание

Что получу полезного:
● Научусь оценивать запуски AI/BigData-функциональности и выстраивать работу по её поддержанию и развитию

Практика

в рамках курса вам
предстоит защитить
собственный дипломный проект
Живые вебинары

теория и лайфхаки от
практиков рынка (длительность 1,5 часа + вопросы)
Задания

Домашние задания
для закрепления материала, с получением фидбэка
Общение

общие чаты со спикерами,
быстрые ответы из первых уст и помощь с трудоустройством
Какие навыки у меня появятся?
Определять пользовательские проблемы,
решаемые с помощью AI/ML
Менеджерить команду AI/BigData-инженеров,
грамотно ставить для них цели и описывать задачи
Понимать какие данные стратегически
необходимо собирать компанииIndividual Approach
Умение проектировать пользовательские решения
с помощью собранных данных


Открыта регистрация на
поток курса - старт 27 января!

Стоимость курса 8 500 рублей
(с 1 января повышение цен до 15 000 рублей)
возможна оплата по счету от юрлица


Вебинар в формате live – вы сможете задать любые вопросы преподавателю, также все лекции будут доступны в записи участникам курса (посмотреть можно будет в любой момент, даже если что-то из лекций пропустите)
Ваши данные для регистрации
Записываясь на курс, я соглашаюсь с офертой
Переадресация Telegram
Кстати, — заглядывайте в наш Telegram
Там много полезных бесплатных материалов по работе с ML и BigData командой для менеджеров по продукту.