О курсе
С помощью этого курса Вы научитесь:
- 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
- Проектировать пользовательские решения с помощью собранных данных
Программа курса:
Занятие 1
Определение бизнесовых точек роста компании, в которых может помочь ML.
Формирование концепции функциональности, требующей AI/BigData
- 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
Занятие 2
Чеклист внедрения ML-задач в компании и команде
- 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
Занятие 3
Лучшие практики работы с BigData/ML-командой
- 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
Занятие 4
Работа с датасетами и моделями. Выбор фичей
- 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
Занятие 5
Workshop: создание и запуск датасета
- 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
Занятие 6
Валидация бизнес-результатов запуска AI/ML-функциональности.
Разбор дипломных работ
● 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
Перспективы:
- Цифровой сертификат - Выпускники получают сертификат об успешном прохождении курса — что, вместе с дипломным проектом, будет хорошим аргументом при трудоустройстве
- Средняя зарплата от 150 000 ₽
- Помощь с трудоустройством и стажировкой