Менеджмент
AI- и BigData-продуктов
Курс «ProductStar: AI & BD PM»
Записываясь на курс, я соглашаюсь с офертой и политикой конфиденциальности
Зачем мне курс по AI и Big Data?
Если вы руководитель,
внедрение технологий
Machine Learning и Big Data
поможет значительно
повысить выручку компании

Наши спикеры —
эксперты-практики крупных компаний
Андрей Менде
Product Manager,
Booking.com
Михаил Карпов
Product Director,
Skyeng
Алексей Авдей
Site Director,
Сбербанк
Ксения Петрова
Head of monetization,
Skyeng
Роман Абрамов
Product Director,
Carprice
Юрий Буйлов
Head of Development,
Carprice
Data Scientist,
Консультант по работе с данными
Секретный гость
Что будет на курсе?
Живые вебинары
теория и лайфхаки от
практиков рынка
Домашние задания
для закрепления материала
Практика
в рамках курса вам
предстоит защитить
собственный дипломный проект
Коммуникация
общие чаты со спикерами,
быстрые ответы из первых уст
Программа курса
«Менеджмент AI- и BigData-продуктов»
Занятие 1
Занятие 1
Определение бизнесовых точек роста компании, в которых может помочь ML.
Формирование концепции функциональности, требующей AI/BigData

Спикер: Алексей Авдей
● 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.
+ домашнее практическое задание

Что узнаю:
● В каких бизнес-задачах AI / Big Data поможет, а где нет.
Занятие 2
Занятие 2
Чеклист внедрения ML-задач в компании и команде
Спикер: Роман Абрамов
● 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.
+ домашнее практическое задание

Что узнаю:
● Научусь делать оценку трудоёмкости AI/BigData-задач.
Занятие 3
Занятие 3
Лучшие практики работы с BigData/ML-командой
Спикер: Андрей Менде
● 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 узнаю:
● Научусь работать со спецификой AI/BigData-команды.
Занятие 4
Занятие 4
Работа с датасетами и моделями. Выбор фичей
Спикер: Ксения Петрова
● 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.
+ домашнее практическое задание

Что узнаю:
● Научусь эффективнее работать с AI/BigData-инженерами за счёт лучшего понимания специфики их работы.
Занятие 5
Занятие 5
Workshop: создание и запуск датасета
Спикер: Юрий Буйлов
● Практическая 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 узнаю:
● Пойму, что в работе AI/BigData-инженеров нет никакой магии :)
Занятие 6
Занятие 6
Валидация бизнес-результатов запуска AI/ML-функциональности.
Разбор дипломных работ

Спикер: Михаил Карпов
● 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.
+ домашнее практическое задание

Что узнаю:
● Научусь оценивать запуски AI/BigData-функциональности и выстраивать работу по её поддержанию и развитию.
Что смогу делать после курса?
Определять пользовательские проблемы,
решаемые с помощью AI/ML
Управлять командой AI/BigData-инженеров,
грамотно ставить для них цели и описывать задачи
Понимать, какие данные необходимо собирать
Умение проектировать пользовательские решения
с помощью собранных данных
Как будут проходить занятия?
Занятия проходят на нашей интерактивной платформе — вы изучаете материал, делаете домашние задания и получаете обратную связь от вашего персонального ментора
Что подтвердит полученные навыки?
Выпускники получают цифровой сертификат
об успешном прохождении курса
«ProductStar: Менеджмент AI- и Big Data-продуктов».


Регистрация на курс

Стоимость курса 15 000 рублей

Возможна оплата по счету от юрлица

Данные для регистрации
Записываясь на курс, я соглашаюсь с офертой
Если хотите оплатить курс от юрлица, оставьте заявку на выставление счета, кликнув на кнопку справа.
Оформим договор и отправим закрывающие документы.
Примеры материалов
с основного курса ProductStar
Найти работу продакт-менеджера
Работа над существующим продуктом
Работа с аналитикой
Монетизация

-- Разбор тестовых заданий, оценка своей стоимости на рынке.
-- Какие карьерные перспективы есть у продакта, примеры success stories.
-- Список вещей, которые нужно сделать в первый месяц, устроившись на должность продакт-менеджера.

-- Способы погружения в продукт. Построение основных и второстепенных сценариев использования, выявление узких мест.
-- Улучшение текущей функциональности, работа с картой взаимодействия, гипотезы новых фич.
-- Что такое виденье, откуда оно берется и почему важно его иметь. Создание и развитие Roadmap сервиса.
-- Взаимодействие с командами дизайна, разработки и маркетинга. Построение продуктовой команды.
-- Взаимодействие с пользователями. Получение инсайтов по продукту, работа с обратной связью

-- Как проводить эксперименты. Типы экспериментов, их плюсы и минусы. Обзор платформ и инструментов для экспериментов. Учимся использовать GTM и Google Optimize.
-- Продуктовая аналитика. Обзор систем аналитики. Как узнать статистику конкурентов. Проверка и количественная оценка продуктовых гипотез при помощи аналитики.
-- Приоритизация фич. Статистическая оценка результатов экспериментов.



-- Обзор моделей и инструментов. Кейсы успешных площадок.
-- Прокачка монетизации сервиса. Нестандартные примеры монетизации.
Отзывы участников предыдущих потоков


Регистрация на курс

Стоимость курса 15 000 рублей

возможна оплата по счету от юрлица

Данные для регистрации
Записываясь на курс, я соглашаюсь с офертой
Кстати, заглядывайте в наш Telegram
Там много полезных бесплатных материалов по работе с командой ML и Big Data
Кстати, заглядывайте в наш Telegram
Там много полезных бесплатных материалов по работе с командой ML и BigData
Кстати, заглядывайте в наш Telegram
Там много полезных бесплатных материалов по работе с командой ML и BigData