Курс: AI-Product Manager

Среднее время прохождения курса: 80 часов
Количество уроков на курсе: 20

Курс рассчитан на: Junior, Junior+

По итогу курса студент достигнет уровня: Middle
Спикеры: Роман Абрамов, исполнительный директор Сберавто; Аня Атласова, Business Intelligence Analyst, Amazon и другие
Скачать программу в формате pdf
Краткая информация
Количество часов (с учетом выполнения домашнего задания): 80
Спикеры:
  • Алексей Авдей, Директор сайта sberbank.ru в Сбербанк
  • Роман Абрамов, исполнительный директор Сберавто
  • Андрей Менде, Product Manager @ Booking.com
  • Алексей Чернобровов и Ксения Петрова, Head of Monetization Skyeng
  • Михаил Карпов, ex-директор по продукту Skyeng
  • Владимир Калмыков – Booking.com, Group PM (Tech) и Михаил Ильичев – PM / Tech PM в заказной разработке Banana.international, ex-Rambler Group
  • Аня Атласова, Business Intelligence Analyst, Amazon
  • Ксения Лисицина, Rubbles, Ml-engeneerДанил Семенов, Data Scientist, Pikabu
  • Башлыков Николай, Head of Data Science, Wheely Quants Manager, EY Applied Mathematics & Computer Science, MSU
  • Андрей Анисимов, Senior Data Scientist, Sber Kaggle Competitions Expert
  • Николай Макаров, Principal Architect в компании Aligned Research Group
  • Володя Горовой, Head of ML team, Yandex.Classifieds


Практика:
  • Проведем оценку идеи ML продукта по чек-листу
  • Как не совершать ошибок с данными
  • Разберем, с чего начать и как сопроводить построение микросервиса для функционала нотификаций в рамках уже существующего продукта
  • Будем писать запросы на SQL
  • Извлечем данные Airbnb по различным условиям
  • Понятие нейрона и нейросети
  • Построим простую item-based рекомендацию для пользователя
  • Составим план работы по внедрению Data Science решения в бизнес-процесс Вашего продукта, оценить возможные сроки каждого этапа
  • Дополним план работы по внедрению Data Science решения
  • Взглянем с высоты птичьего полета на разные технические решения, использующиеся для построения аналитических пайплайнов


Инструменты:
  • Задача о предсказании рейтинга поста
  • Построение модели полносвязной нейросетиJupyter Notebook (JupyterLab)
  • Docker, docker-compose
  • Altair
  • Apache Superset
  • Grafana (node_exporter + Prometheus)


По итогу курса студент научится: определять бизнесовые точки роста компании, в которых может помочь MLAI-продукты и машинное обучение, работе с BigData/ML-командой, обучится блоку SQL и работе с данными и условиями, познакомится с машинным обучением, узнает что такое нейронные сети и как организовать команду, поработает в Hadoop и MapReduce, узнает о Soft skills для продакта.